基于异质图神经网络的服装兼容性预测

针对目前服装兼容性预测模型效果虚高,且对服装单品关系的建模没有考虑单品的类型,以及样本不均衡导致模型训练不充分的问题,提出一个基于异质图神经网络的服装兼容性预测模型.首先采用一种负样本采样策略,使用同类替换的原则重新构造负样本集,解决了现有模型效果虚高的问题;然后采用异质图神经网络,结合图全局池化技术实现了对同一套装内不同类型单品之间复杂关系的建模;最后通过难例学习,使得样本量较少的类型单品有更加均衡的训练机会.在Polyvore数据集上的实验结果表明,所提模型的AUC值达到0.838,综合兼容性预测性能优于对比方法.

基于超图表示的服装兼容性预测模型

针对现有服装兼容性模型都集中探究成对单品之间的兼容性这一问题,提出一种基于超图表示的服装兼容性预测模型。该模型首先基于现有数据集中时尚服装的不同类别和时尚服装间的搭配关系构建了一个服装超图,其中每个节点表示一件衣服,每条超边表示多件衣服组成的套装。为了更好地从超图中推断服装的兼容性,该模型将超图转换为传统图,并利用图神经网络模拟节点之间的复杂交互。最后引入注意力机制计算服装的兼容性得分,增强模型的预测能力。实验结果表明,在服装填空任务和服装兼容性预测两个服装搭配任务上,该模型分别达到了77.29%和96.23%的准确率,较其他基线模型有显著的提升。

基于神经网络的服装兼容性建模方法研究架构

在服装搭配过程中,需要从多件时尚单品中选择出兼容性最高的获取最优搭配。但是随着我国服装行业的发展,服装类型和风格越来越多样,用户的搭配难度在不断提升。为保证用户的服装搭配效率,需要构建有效的、迅速简单的、查找合适单品并搭配出合理套装的兼容性建模有重要的现实意义。一套服装搭配除有上衣、下衣之外,还要考虑鞋子与上衣+下衣的兼容性,甚至在特殊场合还要考虑袜子、配饰等的兼容性。服装搭配是否得体,主要是互补单品之间是否兼容。因此,基于神经网络的服装兼容性建模方法是开展服装搭配的重要技术类型。因为深度学习技术在表示学习领域的应用已经获取一定成果。可以从不同角度捕捉单品之间的兼容性关系,从而设计出更加有效的服装兼容性建模方法,提高系统的整体性能。

基于草图的兼容性服装生成方法

针对现有服装图像生成方法多样性不足、兼容性欠缺的问题,提出新的基于草图的兼容性服装生成方法.允许用户输入草图和参考服装图,生成多样化的服装图像,使得内容上忠于草图的描述,风格上与参考服装兼容.设计由2个编码网络和1个解码网络构成的新颖网络框架,其中编码网络用于提取参考服装和用户绘制草图的特征,解码用于生成图像.构建真实性判别网络和兼容性判别网络,设计由对抗损失、重建损失、感知损失、风格损失和边缘损失相结合的多项联合损失函数,引导网络生成逼真的服装图像,并与参考服装图像的风格兼容.定量实验结果表明,所提方法提高了图像生成质量,整体表现优于基线方法;定性实验结果表明,所提方法生成图像更符合草图描述,可以生成多样化的结果.

面向在线服饰电商平台的潜在类别图嵌入套装搭配模型

随着电子商务的发展,在电商平台中用户如何挑选时尚好看的服饰单品存在困难,如何从大量的服装中搭配出适合用户需求的服装,成为时尚推荐中的热门话题。在服装构成分析中,对服饰之间的兼容性关系进行建模是一个必不可少的因素。为弥补在整个兼容性分析中不会考虑同一类时尚品的相似性问题的缺陷,提出基于类间关系和类内关系的潜在类别图嵌入(LCGE)学习方法。与现有的解决方案相比,此方法使用了服饰套装和类别信息之间的视觉结构信息。通过这种方法,能够满足用户获得符合时尚美学服饰的需求,并促进购买、刺激消费。