Apr, 2024

DL-EWF: 基于全面分割的深度学习赋能女性时尚的身体形状分类

PDF
TL;DR利用数字成像和深度神经网络（DNN）方法，本研究利用 Style4BodyShape 数据集为了将身体形状分类为五个类别：矩形、三角形、倒三角形、沙漏形和苹果形。从图像中提取出个人的身体形状，并使用各种预训练模型对分割结果进行分类，结果表明 Inception V3 模型在 f1-score 评估指标和准确性方面表现优异。
发现论文，激发创造
  • 基于单张图像的人体形状分类

    本文提出了一个从单一图像中分类人体形状的方法，该系统不需要 3D 身体重建，可以在嘈杂的环境中进行操作，可以用于推荐合适的尺寸和试穿系统。

    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

  • 3DPeople: 建模穿着衣服人的几何形状

    本文提出了一种从单张照片中预测着装人体几何形状的新方法，包括三个关键点：一个新数据集，一个新的形状参数化算法和一个端到端的深度生成网络。

    Apr, 2019

  • ViBE：适合各种身材的着装方式

    ViBE 是一种可视化身体感知嵌入方法，通过学习在线服装目录中穿着产品的不同形状和尺寸的时尚模特，识别出适合特定身体形状的服装，推荐效果显著。

    Dec, 2019

  • ALiSNet：时尚电商精准轻量人像分割网络

    本文描述了使用智能手机拍摄人体照片并使用于保护用户隐私的图片处理技术，使用基于语义的 FPN 模型辅以 PointRend 技术，在特定姿势的高质量数据集上进行微调，从而创建了一个体积为 4MB，精度为 97.6±1.0% 的新模型 ALiSNet，以及它的主要应用如人体形状估计和衣衫搭配等。

    Apr, 2023

  • 人体形状与服装估计

    该研究综述了人体形状和服装估计领域的重要工作，主要关注人体形状估计、时尚生成、关键点检测和属性识别四个方面，并讨论了最新发展、优点、局限以及方法和结果的定性差异，旨在提供对该领域的全面理解并激励未来的研究。

    Feb, 2024

  • 时装上下装物体检测

    本文提出一种使用计算机视觉技术实现服装图像分割的方法，该方法基于经过训练的模型自动检测人体部位，并使用 Mask RCNN 算法对图像中的下装和上装进行检测和划分，取得了较好的效果。

    May, 2023

  • DeepFashion2：服装图像检测、姿态估计、分割和再识别的通用基准

    DeepFashion2 是一个多任务的数据集和基准，旨在为四个任务提供衣服检测，姿势估计，分割和检索，“Match R-CNN” 是解决这四个任务的强有力基线。

    Jan, 2019

  • 一种穿着衣物的人的生成模型

    本文提出了第一个基于图像的全身穿着人群生成模型，通过从大规模图像数据库中学习生成模型，我们克服了人体姿态、形状和外观方面的高变异性挑战，并提出了一种可分解生成模型以生成逼真的人物图像。该方法有效地实现了数据驱动的人物生成方法。

    May, 2017

  • Fashionformer: 一种简单、有效和统一的基础模型，用于人类时尚分割和识别

    本研究提出了一种基于 Vision Transformer 的人类时尚理解方法，通过联合分割和属性识别任务实现，使用对象和属性查询链接分割和预测结果，并使用 Multi-Layer Rendering 模块实现更细粒度的特征探索，实验证明该方法在三个人类时尚数据集上的效果较之前的方法相对提高了 10％。

    Apr, 2022