服装属性多任务课程迁移深度学习

Oct, 2016

服装属性多任务课程迁移深度学习

Multi-Task Curriculum Transfer Deep Learning of Clothing Attributes

Qi Dong, Shaogang Gong, Xiatian Zhu

TL;DR该论文提出了一种基于多任务课程转移（MTCT）的深度学习方法用于探索来自网络零售商的大规模服装图片数据对服装特征进行细粒度分类，该方法比现有方法具有显著的优势。

Abstract

Recognising detailed clothing characteristics (fine-grained attributes) in unconstrained images of people in-the-wild is a challenging task for computer vision, especially when there is only limited training data from the wild whilst most data available for model learning are captured

fine-grained attributes deep learning model transfer learning multi-task curriculum transfer clothing recognition

发现论文，激发创造

视觉属性多任务分类的课程学习

介绍了一种新颖的方法，在视觉属性分类框架中结合多任务和课程学习的优点，在各个任务之间迁移知识来提高学习速度，该方法在公开数据集上取得了最新的表现。

Aug, 2017

Attr2Style：基于服装属性的转移学习方法推断时尚风格

提出了一种基于迁移学习和编码 - 解码框架的图像字幕模型，用于在同时拥有属性和样式级别标注的源数据集上训练模型，并在仅拥有属性级别标注的目标数据集上预测样式级别的字幕。实验结果表明该方法生成的字幕与衣服的实际样式信息相近。

Aug, 2020

基于 DETR 的分层服装分割和细粒度属性识别

本文提出了一种新型 DETR 方法，在 Fashionpedia 数据集上训练，通过采用多层注意力模块来聚合不同规模的特征，识别出整体服装实例的细粒度属性并实现服装的分割，超越了领域内之前最先进的模型。

Apr, 2023

渐进式时尚属性提取

本文提出了一种渐进式训练方法，针对时装类别的多类属性识别问题，使用单个模型进行多类属性识别，从而获得对丢失和模糊标记数据鲁棒性和精细属性的提取的高准确性

Jun, 2019

多任务网络中的全自适应特征共享及其在个人属性分类中的应用

本文提出了一种以紧凑的多任务深度学习架构为设计目标的方法，使用一种推动类似任务聚集的新标准在训练期间贪心地扩大网络，以优化多任务学习的泛化性能并在人员属性分类任务中取得最先进的精度。

Nov, 2016

视觉场景理解的多任务学习

研究多任务学习在计算机视觉中的应用，通过综述现有方法，提出几种方法处理多任务学习中的重要问题，并在各种基准测试中进行评估，进一步提升了多任务学习的状态。

Mar, 2022

多模态服装设计师：基于人体中心的潜在扩散模型用于时尚图像编辑

本文介绍了一种基于 latent diffusion models 的新型架构，通过多模态提示（文本、人体姿势和服装草图）引导生成人体中心时尚图像，同时扩展了两个已有的时尚数据集，证明了该方法的有效性。

Apr, 2023

深度时尚图像的细粒度属性识别注释改进

该研究旨在通过选择具有足够图像数量的类别，删除非常稀少的属性以及在每个类别中合并重复属性，为细粒度属性识别任务量身定制 DeepFashion 数据集，并使用成对排名损失函数的双线性卷积神经网络进行多标签细粒度属性识别，提高了结果，并提供了每个所选类别的详细注释。

Jul, 2018

CT-Net：基于补充转移网络的服装转移方法

该论文提出了 Complementary Transfering Network（CT-Net）模型，其中包括了互补配准模块、布局预测模块、动态融合模块等三部分，通过在 DeepFashion 数据集上的实验，证明了本研究的高质量服装迁移图像合成能力，并在品质和数量上显著优于现有方法。

May, 2021

多模态语言理解的原型对比迁移学习

本研究提出一种新的转移学习方法，名为 PCTL，用于家庭环境中的语言理解任务，通过对比学习，使用对比损失 Dual ProtoNCE，利用真实世界和模拟数据集来验证 PCTL 的有效性，并实现了 78.1% 的精度。

Jul, 2023