渐进式时尚属性提取
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
本文介绍了一种基于深度神经网络的加权目标函数方法,用于解决电子商务中多标签分类模型数据分布不平衡的问题,并以时尚属性检测为例进行了实验,结果表明相比于非加权和逆频率加权机制,采用新的加权机制的表现更好,同时验证了该方法在当今时尚业常见属性检测中的鲁棒性。
May, 2023
本文提出了一种基于属性操控的图像检索方法,使用 FashionSearchNet-v2 架构学习属性特定表示,并通过弱监督定位模块提高相似性学习,所得的本地表示基于被指导的属性操控合并为单个全局表示,在多个数据集上展示了 FashionSearchNet-v2 的优越性和可泛化性。
Nov, 2021
本文介绍了一个名为 iMaterialist Fashion Attribute(iFashion-Attribute)的新数据集,其中包括超过一百万张时尚图片,用 8 组 228 种细粒度属性注释。 作者使用现代 CNN 提供基线结果,并展示了在时尚相关任务上预训练的模型相比从 ImageNet 或其他时尚数据集进行预训练具有更好的迁移学习性能。
Jun, 2019
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。
Oct, 2016
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
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
本研究通过一种端到端的架构,将层次化注释的概念直接嵌入到模型中,以实现对时尚图像的视觉识别,并针对大约 350k 时尚产品图像的数据集进行了多级结构分类的性能优化和演示。
Jun, 2018
通过使用多任务深度卷积神经网络 (MCNN),共享所有属性的最低层,共享相关属性的更高层,并在 MCNN 上构建辅助网络以利用所有属性的分数来提高每个属性的最终分类,我们可以利用属性关系来提高属性分类器的准确性。我们在两个具有挑战性的公开数据集上展示了我们方法的有效性。
Apr, 2016
本文提出一种基于弱监督学习的视觉表示学习方法,适用于电子商务产品。采用噪声数据集进行学习,不需要手动标注,其学习表示可用于服装类别的向下分类和图像检索任务,并且不使用所提供的训练集,实现了几乎最先进的结果。
Sep, 2017