[发明专利]基于深度神经网络的时尚图像服装领型识别方法与系统

权利要求书

1.一种基于深度神经网络的时尚图像服装领型识别方法，其特征在于，包括如下步骤：

S1.领型识别网络模型的构建；

步骤S1包括如下步骤：

S11、领型识别网络模型主要包括图像特征提取网络模块、聚类网络模块、强化校正模块、分类模块与回归模块；所述的图像特征提取网络模块使用深度卷积神经网络对输入的多维数据进行全局与局部的相关特征提取，得到多维度的高级语义特征；所述的聚类网络模块将图像特征提取网络模块得到的多维度高级语义特征进行聚类操作，分为模特服装领型特征类与平铺服装领型特征类；所述的强化校正模块会将模特服装特征类进行遮挡、非正角度的强化校正；所述的分类模块会将强化校正模块的输出与平铺特征类进行分类识别；所述的回归模块会将强化校正模块和平铺特征类进行回归计算，得到领型的具体位置信息；

S12、所述的图像特征提取网络模块包含三个并行的特征提取模块，其一为全局信息特征提取，其二为局部信息特征提取，其三为位置信息特征提取；三个并行的特征提取块最终拼接成一个特征输出；

S13、S12中所述的全局信息提取网络模型包含多个卷积层、最大池化层、组归一化层以及激活层；每一个卷积层、最大池化层、组归一化层、激活层构成了一个特征提取块；因此全局信息提取网络模型由特征提取块级联而成，并且每三个特征提取块之间都由短路连接；

S14、S12中所述的局部信息提取网络模型的构造与S13中所述的全局信息提取网络类似；

S15、S12中所述的位置信息特征提取网络模型由全卷积层网络构成，以便于与全局信息特征提取到的结果和局部信息特征提取到的结果进行无缝拼接；

S16、所述的聚类网络是将特征提取网络得到的输出进一步地进行聚类成穿在模特身上的服装特征与平铺的服装特征，以提高领型识别的准确率；聚类网络也是有全卷积网络构成；聚类网络的作用是将特征提取网络得到的高级语义特征再进行聚类为模特身上的服装类与平铺的服装类；由于这两类服装的概率分布不同，分开识别将有助于提高识别准确率；同时之所以在特征提取网络之后去做聚类是因为对高级语义特征的处理将会比直接对源数据进行聚类的处理速度以及在识别准确度上有着显著的提升；

S17、所述的强化校正模块针对模特身上的服装特征进行强化校正；由于穿在模特身上的服装领型会存在有角度、背对以及遮挡问题，对于领型的识别将会造成极大的挑战；而强化校正模块可以记录过往正常的数据特征，即穿在模特身上服装的正面图片，当存在难以识别的场景时，即存在遮挡、有角度问题，可以凭借之前的数据做为校验，输出更有确信度的特征；

S18、所述的分类模块就是将之前提取到的模特特征与平铺特征中的领型进行分类；该分类模块采用全卷积网络，并进行全局池化得到分类的结果；

S19、所述的回归模块就是将之前提取到的模特特征与平铺特征进行回归计算，得到最终领型的具体位置；

S2.领型训练网络模型的构建；

步骤S2包括如下步骤：

S21、领型训练网络模型与领型识别网络模型非常相似，区别在于领型训练网络模型在数据输入与特征网络提取模块之前多了一个缓存模块、以及领型训练网络的输出会通过反馈调节模块作用于特征提取网络模块的输入；

S22、所述的缓存模块主要是缓存了当前批量的数据的标注信息，它与整个训练网络的输出经过反馈调节模块后的信息进行比对调整，可以加快训练网络的学习与收敛；

S23、所述的反馈调节模块主要缓存了当前批量经过训练后的数据的标注信息，它与缓存模块中的真实数据标注进行比对调整，可以加快训练网络的学习与收敛；

S3.反向误差传播的损失函数设计。