AAAIDec, 2021

服装电子商务中的色彩变体：表征和自监督学习故事

PDF
TL;DR本文旨在解决时尚电商领域的一个重要问题：颜色变体识别。通过使用深度视觉表示学习和自我监督学习技术，提出了一个通用框架来解决这个问题。研究结果表明，训练模型对颜色不变性（无论是否受监督）能够实现时尚产品中基于风格（样式）的识别，而不仅仅是颜色变化的识别。
fashion e-commercecolor variants identificationdeep visual representation learningself-supervised learning (ssl)style recognition
发现论文，激发创造
  • 基于对比自监督表示学习的时尚电商颜色变种识别

    本文使用深度视觉表示学习方法解决了时尚电子商务领域中的一个重要问题 —— 颜色变体识别，即在设计（或样式）相同的情况下区分颜色。通过使用自监督学习方法，提出了一种 SSL 颜色变体模型，定量和定性评估结果表明，该模型在解决这个问题上表现出了优异的性能。

    Apr, 2021

  • 时尚搭配自监督视觉属性学习

    本文提出了一种自监督学习的框架，通过针对颜色和纹理设计的三个自监督任务，实现了不使用标签的颜色和纹理感知特征学习，并在多个数据集上取得了较好的性能。

    Aug, 2020

  • 时尚配合的半监督视觉表示学习

    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

  • 自监督半监督学习与图像上色的 Color-$S^{4} L$

    本研究采用了多种有效的自监督先行任务，探索了一种新颖的自监督半监督学习框架（Color-$S^{4} L$），在图像着色代理任务中深入评估了各种网络架构的性能，并与之前的监督和半监督最优方法在 CIFAR-10 数据集上进行了有效性和最优性能的对比验证。

    Jan, 2024

  • 利用弱标注数据进行时尚图像检索和标签预测

    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

  • 数据有效对比自监督学习：简单样本对学习最有帮助

    该研究发现对于对比自监督 (SLL) 来说，那些与其他示例具有最相似增强的样例在学习表示方面贡献最大。此外，研究还表明，对正在进行的任务性能不会产生负面影响的情况下，可以安全地排除 CIFA100 和 STL10 分别的 20% 和 40% 示例。

    Feb, 2023

  • Fashion CUT: 无监督领域自适应，在服装可视化模式分类中应用合成数据和伪标签

    本研究使用无监督领域适应技术将合成的时尚图像转化为真实世界的图像，用于训练一个无需真实世界标注数据的视觉模式分类模型，实验表明该方法优于其他无监督领域迁移算法。

    May, 2023

  • 自监督视觉表征学习的传递不变性

    文章介绍了一种利用自监督学习的图形结构来学习具有不变性特征的视觉表示，并应用该表示在不同的识别任务中取得了显著性能提升。

    Aug, 2017

  • 色彩化作为视觉理解的代理任务

    本研究以自监督训练为探讨重点，以自动上色作为代理任务取代了 ImageNet 预训练，并在多个任务上评估了模型的性能，结果表明自监督训练比传统的无监督学习方法更具前途，同时进一步探讨了 ImageNet 的预训练范式，通过上色的自我监督提供了与 ImageNet 相似的监督信号

    Mar, 2017

  • 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