[发明专利]基于特征增强的服装分类和属性识别方法

说明书

本发明公开了一种基于特征增强的服装分类和属性识别方法，该方法包括：获取服装对应的原始图像；对原始图像进行两路处理得到服装的属性特征；将属性特征输入至判别器，以通过判别器预测得到服装的类别预测结果信息和属性预测结果信息。本发明通过两路网络结构分别对服装的形状特征和纹理特征进行增强，以摆脱对服装关键点检测产生的过度的依赖性，以及提高服装分类和属性识别的准确率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种基于特征增强的服装分类和属性识别方法。

背景技术

服装的属性和类别在我们日常使用电商平台时起着重要的作用，同时电商平台也会重点关注服装的类别标签和属性标签。这些标签一般可以直接通过商家展示的文字获得，但是随着市场规模的扩大，人工获取标签的方法效率越来越低。人工标注会产生巨大的成本，同时因为不同的人对服装的理解具有歧义，因此也会导致大家标注的标准不统一，进而影响用户的消费体验。所以，使用人工智能来对服装的类别和属性进行标注则成为了大家关注的焦点，一方面，人工智能可以更加高效地为服装商品打上相应的标签。另一方面，由于人工智能方法可以设定特定的规则，因此能够保证标注标准的统一，缓解之前所描述的歧义性。除此之外，对服装类别和属性的人工标注需要专业人士的参与，这其中培训的环节也会带来较大的困难，而人工智能算法则因为有着很好的移植性，可以更加快速地切入到新的场景。

利用人工智能来进行服装分类和属性识别还能为电商中的服装服饰业带来更多新的应用和玩法，例如智能服装搭配，因为服装的属性在我们日常搭配的时候是重点需要参考的因素，因此人工智能技术可以通过获得的服装类别和属性进一步地给出合理的搭配方法，自动地为用户推荐套装或者相关服饰，这种应用可以很好地促进服装服饰业的发展。此外，一些虚拟换装的方法也可以使用类似的方式，通过对服装类别和属性的约束和矫正来生成更加准确的服装样本。因此服装分类和属性识别不仅仅是一种应用广泛的技术，同时还能为更多的应用提供底层的技术支持。但随之而来的，则是对服装分类和属性识别技术性能的较高要求，因为无论是服装类别和属性的直接应用，还是在服装的类别和属性的指导下的应用，都非常依赖服装的类别和属性预测的准确性。

服装属性有着非常复杂的语义信息，这些语义信息对人们来说也是较难理解的。早期的一些经典方法会使用各种滤波的方式来对图像的特征进行提取和筛选，例如用颜色直方图来提取色彩特征，或者利用方向梯度直方图，或者尺度不变特征变换的方式来获取边缘信息或者更高层级的语义特征。但是这些方法对语义信息的理解十分有限，表征能力也有着很大的局限性，因此对于服装属性这样复杂的场景，往往不能提取到相应的具有足够判别力的特征。近年来，深度学习的方法得到了快速的发展，因为深度学习算法的复杂程度和它所具有的极强的拟合能力和表征能力，在计算机视觉等方向上取得了巨大的成功。然而，深度学习的方法在训练的过程中，往往需要规模巨大的数据作为支撑，否则很容易出现对图像的噪声进行理解，导致过拟合等现象。因此这一方向的发展也需要有着大规模标注的数据集。当大规模优质数据集纷纷涌现时，深度学习在服装分类和属性识别方向得到了快速的发展。这一任务也逐渐地被定义的更加明确。服装类别是唯一的，因为一种服装只会属于一个类别，因此服装分类可以视为一种单标签的多分类问题。而一种服装可以具有多种属性，例如长袖、翻领、有兜、红色、有格子等等，因此服装的属性识别则可以视为一种多标签的问题。

在人们应用传统的方法的时候，研究者们会结合人体姿态估计的方法，来对服装分类和属性识别任务进行促进，人体姿态一般会作为辅助任务或者上游任务的输入来进行。但随着服装相关任务的发展，服装本身也逐渐发展出了关键点识别的方向。而直接使用服装关键点识别的方法，则可以更加有效地为服装相关的任务提供积极作用。早期的一些服装关键点检测的方法是使用深度模型对关键点的坐标直接进行回归预测，将神经元输出的值直接作为对关键点坐标的预测。在这个阶段，服装分类和属性识别一般会直接利用上游得到的关键点坐标来对局部进行关注，进而来强化相关的任务。但回归的方式一般会存在较大的困难，因此后续的一些研究工作会使用残差预测、动态路由、坐标变换等一系列非常复杂的方法来缓解遇到的相关的问题。