基于代价敏感的细粒度服装图片检索

细粒度服装图片类别间高度相似,在非平衡数据集下,其检索十分具有挑战性。为此,提出一种基于代价敏感的细粒度服装图片检索方法,通过设计一种代价敏感的损失函数针对性处理非平衡数据集问题,有效改进检索模型的关键点检测模块,改善细粒度服装图片检索性能。代价敏感损失函数策略基于固定加权和动态加权的类别再平衡,其中固定加权是基于类别频率和标签的预测概率赋值,而动态加权根据预测分数调整其权重,允许模型对不同难度的实例进行调整,从而提高困难类样本梯度更新权重。在服装数据集DeepFashion上的代价敏感损失函数消融实验结果表明,固定加权和动态加权均提升了非平衡数据集下的模型检索性能。与其他细粒度图像检索方法的比较实验进一步表明,代价敏感损失函数可以解决类别不平衡和困难类别的服装图片检索问题。此外,类别、风格等服装属性检索比较实验结果表明所提模型的改进和损失函数的优化策略有效。