GeoStyle：发现时尚趋势与事件

ICCVAug, 2019

GeoStyle: Discovering Fashion Trends and Events

Utkarsh Mall, Kevin Matzen, Bharath Hariharan, Noah Snavely, Kavita Bala

TL;DR本研究提供了一种自动化框架，分析大量的街头时尚图片，以发现和预测各种时尚属性的长期趋势和自动发现的风格，并确定影响人们穿着的时空本地化事件。相比之前的方法，我们的框架可以做出超过 20％的长期趋势预测，并发现了成百上千个影响全球时装的具有社会意义的事件。

Abstract

Understanding fashion styles and trends is of great potential interest to retailers and consumers alike. The photos people upload to social media are a historical and public data source of how people dress across the world and at different times. While we now have tools to automatically recognize the clothing and style attributes of what people are wearing i

fashion trends social media analysis image recognition trend forecasting spatio-temporal localization

发现论文，激发创造

StreetStyle：从数以百万计的照片中探索全球时尚风格

本研究基于大规模照片数据集，运用深度学习训练分类器和风格聚类方法，分析全球时尚趋势及时空变化规律。

Jun, 2017

从巴黎到柏林：发现全球时尚风格影响

通过发现城市间的时装影响关系和预测模型，我们能够定量地描述时装风格的演变并展示时尚风格的空间和时间演化。

Apr, 2020

时尚前沿：时尚视觉风格预测

利用数据驱动的方法，通过无监督学习来预测时尚视觉风格趋势，表明时尚预测受视觉分析的影响很大，远远超过文字或元数据线索。

May, 2017

从文化到服装：探索时装图像背后一个世纪的世界事件

本篇论文介绍了一种数据驱动的方法来识别影响人们服装选择的特定的文化因素，同时通过应用多模态统计模型来改善具体的视觉风格预测和图片时间戳的任务，旨在将文化与服装联系起来的可扩展和易于实施的计算方法的第一步。

Feb, 2021

从社交媒体中提取时尚知识：谁、在哪里、穿什么？

本篇论文提出了一种从社交媒体中自动提取时尚知识的方法，该方法结合了图像、文本和元数据多种模态中的场合、人物和服装三个方面进行探测，并采用上下文化时尚概念学习模块提供了对于人物检测和服装识别的解决方案，在机器标注数据有限的情况下，通过弱标签建模模块有效地利用了机器标注数据。实验结果证明了我们的模型在时尚概念预测方面的有效性以及提取知识与全面分析的有用性。

Aug, 2019

社交媒体中的时尚知识自动提取

本文提出了一种从社交媒体自动收集时尚知识的新系统，它通过图像、文本和元数据的多个模态统一了场合、人物和服装发现的三个任务，并应用上下文化的时尚概念学习模型来提高时尚概念学习性能，同时通过弱标签建模方法进一步提高性能，并构建了一个网站来展示我们的系统提取的时尚知识的质量。

Aug, 2019

社交媒体中与时尚相关帖子的情感分析

在社交媒体平台中，基于多模态的情感分析是时尚相关帖子分析中的两大主要挑战，我们提出了一种新的框架，该框架可以共同利用图像视觉，帖子文本和时尚属性模态来确定情感类别。

Nov, 2021

学习潜在 "外貌": 从时尚图像中无监督发现风格一致的嵌入

提出了一种基于概率多语言主题模型的无监督方法来发现一组潜在的风格因子，进而通过混合这些因子来对时尚图片进行风格总结，并无需任何风格标签，从而可以根据风格来组织衣服图库。

Jul, 2017

基于自我中心照片流的社交风格特征刻画

该论文提出了一种使用可穿戴照相机实现自动社交模式刻画的系统，其中通过检测与相机佩戴者互动的人，并将检测到的社交互动分类为正式和非正式两个步骤，在事件级别上对每个潜在的社交事件进行建模，并使用 LSTM 网络进行时间序列分类。最终通过聚类同一个人在整个社交互动集中的出现来全面理解用户的社交关系的多样性和频率。实验表明，该系统应用于自我中心的照片流上的社交模式刻画任务取得了有望的结果。

Sep, 2017

自动空间感知时尚概念发现

本文提出了一种利用来自购物网站的弱标签化的图像文本数据进行自动空间感知概念发现的方法，通过将服装图像及其对应描述联合建模，并通过将词汇语义向量表示与卷积地图得出的空间表示相结合生成空间感知表示。我们进一步将空间感知表示用于属性聚类，以形成空间感知概念，最终将视觉语义嵌入空间分解为多种概念特定子空间，以利用多模态语言规律实现结构化浏览和属性反馈产品检索。我们在新收集的 Fashion200K 数据集上进行了大量实验，聚类质量评估和属性反馈产品检索任务的结果证明了我们自动发现的空间感知概念的有效性。

Aug, 2017