本文旨在通过建立一个基于图像的大规模数据集并开发一个可扩展的方法来揭示人类视觉关系方面的概念模型,该模型不是基于用户注释的细粒度建模,而是基于图像关系网络的网络推理问题。 其提供了一个用于训练和评估的大规模数据集,并可用于推荐衣物和配饰的搭配。
Jun, 2015
本研究提出了一种新的学习框架,通过使用 Siamese Convolutional Neural Network 从不同品类的物品图像中学习特征转化,进而发掘不同物品之间的兼容性。研究人员使用来自 Amazon.com 的协同购买数据来建立兼容性模型,并引入了一种新的训练数据采样策略,以学习跨品类匹配知识,该研究的实验结果表明,提出的学习框架能够学习关于外观风格的语义信息,并能够生成适合混搭的衣物组合。
Sep, 2015
本文旨在研究如何利用先进的深度神经网络和丰富的时尚领域知识来解决衣服搭配问题。通过采用基于教师 - 学生网络方案的注意力知识蒸馏的神经兼容建模方案,我们证明了该模型优于现有的方法。在与其他算法比较的过程中我们还发现了一些有价值的时尚洞见。
Apr, 2018
本文提出了一种基于孪生网络和全连接网络的推荐方法,其中加入颜色直方图功能以提高时尚兼容性评价,且网络训练采用拉普拉斯和矩阵变量正态分布以增强网络效率和稀疏性。
May, 2019
本文利用 Siamese 网络研究家具图像之间的风格兼容性评估。通过使用预训练的 CNNs 的中间层来捕捉风格相关的信息,以及使用图像和文本嵌入法,实现了在样式兼容的条件下,基于文本约束查询匹配的家具项目。同时,我们收集和呈现了大规模不同风格类别的家具图片数据集以供本文方法评估。
Dec, 2018
这份论文提出了一种名为 'Complete the Look' 的新任务,旨在通过场景图像来推荐视觉上兼容的产品,并提出了一种基于多层感知机和注意力机制的方法,实现了对全局和局部的测量,并通过大量实验验证了其性能优于现有替代方案的结果。
本文提出一种利用混合 siamese 网络及混合损失函数,结合神经风格迁移技术,以捕捉低级风格特征的图像检索方法,用于检索配套物品,并在实验中得到更优于传统 siamese 网络的结果。
Nov, 2019
本文提出了一种基于双向 LSTM 的视觉 - 语义嵌入方法,可以为线上时尚购物提供更有效的推荐服务,实验结果表明该方法在 Polyvore 数据集上具有优秀的性能。
Jul, 2017
通过高级分类和图像,利用新型的风格编码器网络生成符合实际穿着风格或主题的时装推荐,并通过严谨的实验分析表明其优于现有的最先进的基线。
Mar, 2022
本文介绍一种基于图神经网络的方法,通过产品嵌入向量预测衣物单品或搭配的视觉配合性,相较于其他基于成对比较的模型,我们的模型涵盖更丰富的背景信息取得了业界领先的效果。
Feb, 2019