May, 2023

时装百科全书 - 广告：你喜欢的广告是否透露了你的时尚品味？

PDF
TL;DR本文基于 “Fashionpedia-Ads” 数据集，从广告图像的情感、视觉和文本信息多个角度，分析人们对不同领域的广告图像以及时尚产品图像的喜好，旨在研究广告与人们的时尚品味之间的相关性并促进数据可解释性研究。
advertisementsfashion tastedatasetvisual informationinterpretability research
发现论文，激发创造
  • Fashionpedia-Taste：一个解释人类时尚品味的数据集

    本文研究了顾客喜欢某种时尚图像的原因。对此，作者引入了一种名为 Fashionpedia-taste 的可解释性数据集，该数据集包含了丰富的注释，解释了主体为什么喜欢或不喜欢某个时尚图像的原因。研究者可以利用我们的数据集来构建计算模型，从不同的人文角度和模态完全了解和解释人类时尚品味。

    May, 2023

  • 时尚呈现轮廓：从线上资源分析基于身体形状的服装偏好

    收集了一个新的数据集，使用多张照片的方法来预测用户的体型并构建一个有条件的衣服类别模型。研究发现，衣服类别与体型具有相关性，并提出了一个新的基于多视角预测的方法来解决这个问题。

    Jul, 2018

  • 图像与视频广告自动理解

    本文提出了自动广告理解的问题，并基于两个数据集进行了研究，包含主题和情感、问题和答案、符号引用以及广告使用的最常见的说服策略等多种注释。对于多个预测任务，包括自动回答广告信息问题，我们提供了基线分类结果。

    Jul, 2017

  • GeoStyle：发现时尚趋势与事件

    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。

    Aug, 2019

  • AdSEE：探讨图像风格编辑对广告吸引力的影响

    通过在线广告的样式编辑和吸引力增强（AdSEE）的研究，我们探讨了语义编辑对广告图像是否能够影响或改变在线广告的受欢迎程度，并通过大规模数据集的离线和在线测试验证了图像风格与广告受欢迎程度之间的关系。

    Sep, 2023

  • 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

  • 上下：用单类协同过滤模型建模时尚趋势的视觉演化

    本文介绍了一种利用深度卷积神经网络，结合用户反馈和时尚趋势进行实时热门商品推荐的算法，以及该算法在 Amazon 上进行的实验。

    Feb, 2016

  • 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

  • 品牌 > 标志：时尚品牌的视觉分析

    本文提出了一种基于深度神经网络的品牌视觉识别方法，通过对神经元的激活程度和范围进行研究，来解释和量化品牌视觉表达的特征和整体设计方向，其中包括品牌策略的各种变化，并且利用定量测量方法验证了该方法与人类对品牌视觉感知的一致性。

    Oct, 2018