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
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
该论文提出了一种学习图像嵌入的方法,以尊重物品类型,并联合学习物品的相似性和兼容性。通过在 Polyvore 网站上爬取用户创建的 68,306 个配装数据集,该方法在配装兼容预测和填空任务中取得了 3-5%的改进,支持各种有用的查询。
Mar, 2018
本文使用孪生卷积神经网络大力提取商品名中的关键属性,以此学习人类的样式兼容性,实现自动化的搭配推荐。
Aug, 2017
本文提出一种将时装搭配表示为图形,并基于节点间的交互关系通过节点感知的图形神经网络来预测搭配的兼容性得分的方法。实验结果表明,所提出的方法在填空和兼容性预测两个任务上均表现出较高的优越性。
Feb, 2019
本文提出了一种半监督学习方法,其中利用大型未标记时尚语料库来在训练期间动态创建假正向和假反向服装,通过提出的一致性规则来确保原始图像和其转换的表示是一致的,实现多属性的学习,在 Polyvore、Polyvore-D 和新建的大规模时装套装数据集上进行了实验,并表示,该方法拥有与完全监督方法相当的预测性能。
Sep, 2021
本研究提出了一种能够预测和诊断服装配对兼容性的深度学习框架,其中利用了不同类型的 CNN 来解决从颜色到风格等不同方面的兼容性问题,并通过基于 Polyvore 数据集的实验验证出较高的预测和诊断能力。
Jul, 2019
提出一种基于类别的子空间注意力网络和穿搭排名损失的服装搭配推荐框架,用于补充物品检索,实验结果表明其在服装搭配和物品检索任务上均优于现有方法。
Dec, 2019
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
利用图神经网络分析时尚产业的机器学习应用,评估 Polyvore 数据集中的衣着搭配和商品推荐准确性,并比较两种现有模型在任务完成和兼容性预测上的性能。我们发现 Hypergraph Neural Network 在两个任务上稍微具有更好的性能,并尝试使用视觉转换器生成的嵌入向量以提高预测准确性。
Apr, 2024