身材认知在服装分割设计中的感性工学应用

为探讨服装分割比例与颜色明度变化对身材认知的影响规律,结合感性工学的基本原理、方法与认知行为学的技术对消费者在服装设计中对于身材认知的感性评价进行量化分析,通过大量基础调研制成108张实验刺激图片,以年轻消费群体为主要调查对象,采集67份实验数据。研究结果表明:服装分割比例和颜色明度对于服装的显瘦感、喜好感呈现规律基本一致;最深明度的颜色显瘦感、喜好感最高,但在次深明度时的显瘦感、喜好感并未次高,所有的感知评分也未符合大众传统认知的“颜色明度越深、显瘦感越高”的规律;未出现极端化评分的样本,认知情感表征不显著。研究成果有助于提升产品的开发效果,调节消费者对身体的满意度,并为服装艺术设计、服装消费者与服装品牌提供一定的参考。

改进YOLACT的服装图像实例分割方法

针对服装图像实例分割精度与速度较低的问题,提出一种基于改进YOLACT的服装图像实例分割方法。以YOLACT为基础模型,首先在ResNet101网络中采用深度可分离卷积代替传统卷积,减少模型计算量和模型参数,加快模型速度;然后,在模板生成网络后引入高效通道注意力模块,优化输出特征,捕获服装图像的跨通道交互信息,加强对掩膜分支的特征提取能力;最后,训练过程采用LeakyReLU激活函数,避免反向传播时权值信息得不到及时更新,提升模型对服装图像负值特征信息的提取能力。结果表明:与原模型相比,所提方法能有效减少模型参数量,在提升速度的同时提高了精度,其速度提升了4.82帧/s,平均精度提升了5.4%。

FMNet:基于特征对齐的多方位注意力机制服装图像分割网络

针对语义分割中不同尺度特征融合导致的特征错位问题,提出了一种用于不同尺度语义特征融合的上采样方法。首先,将不同尺度特征图初步融合,将得到的语义信息作为低分辨率特征图进行上采样的位置参照;随后,将低分辨率特征图上采样后,再与高分辨率特征图进行融合。针对神经网络中语义学习模块对语义特征信息学习不充分的问题,提出了一种多方位注意力机制(multi-directional attention mechanism,MAM),从空间、通道和类别3个方位学习语义信息。根据上述2个方面的创新,提出了用于服装图像分割的网络——FMNet,并选取、划分服装数据集DeepFashion2作为训练、验证和测试的数据集。实验结果表明,所提FMNet的平均交并比(mean intersection over union,mIoU)相较于OCRNet提高了2%,相较于DeepLabv3+和PSPNet分别提高了5%和10%。

浅谈服装设计中省道与分割线的应用

在服装的整体造型结构设计中,服装的省道和分割线有着很重要的作用。分割线的表现可以融入省道的转移,可以根据省道转移的原理进行移省、分省、加省,减少服装中不必要的裁断,从而设计出各种款式。近年来,设计师更加青睐对服装结构线的造型设计。设计师可以分析服装省道与分割线的设计原理,做好对省道和分割线设计的研究,并且根据服装分割线设计的流行趋势,在服装制版时巧妙地将省道与分割线有机结合,使服装不仅造型美观,而且符合人体运动的机能要求。

基于Mask-RCNN的服装识别与分割

本文提出了一种基于Mask-RCNN和数据集DeepFashion2的服装识别与分割的方法。基于Mask-RCNN的服装识别与分割是基于卷积神经网络的思想,在深度学习框架下通过多线程迭代训练,在ResNet网络中得到目标特征后,再通过RPN和RoIAlign将特征输入不同的全连接分支,最后得到具有优化权重的目标检测模型。在不同场景的服装图像中,该模型可以更快更准确的识别出服装并将其分割。

融合显著性分析与图割的姿态无关服装区域分割算法

提出了一种针对多姿态人的服装区域分割算法,通过融合显著性分析和图割方法有效地提高了服装区域分割的性能.首先,提出一种基于滑动窗口的视觉显著性区域分析方法,计算前景?背景种子区域初始定位,实现种子区域定位的姿态无关性;然后,通过基于图的分割方法对初始种子区域进行矫正;最后,通过将种子区域作为输入的迭代图割方法——GrabCut获得服装区域分割.实验结果表明,文中算法具有较好的分割性能,具有应用前景.

结合特征学习与注意力机制的服装图像分割

针对小尺寸服装与遮挡服装图像分割准确率低的问题,提出一种基于改进多尺度特征学习策略与注意力机制的服装图像分割方法。以Mask R-CNN为基础框架,首先采用增强特征金字塔网络优化模型的特征学习过程,对多尺度服装特征进行统一监督,缩小不同层级之间的语义差距,引入残差特征增强模块减少高层特征损失,采用软感兴趣区域选择自适应地获取最优感兴趣区域特征;然后在分类预测分支引入通道注意力模块,在边界框回归与掩膜预测分支分别引入空间注意力模块,提取图像中需要重点关注的服装区域特征。结果表明,与其他方法相比,本文方法改善了小尺寸服装图像和遮挡服装图像分割中存在的漏检、漏分割现象,提取出的服装实例更精确,其平均精度均值比原模型提升了3.8%。

采用双注意力机制Deeplabv3+算法的服装图像分割

近年来服装时尚行业经济发展迅速,为了让用户选择服装和服装的设计更方便快捷,提高服装图像的分割效率尤为重要。目前的方法大多属于传统的分割方法,或者基于深度卷积神经网络(DCNN)。针对服装图像分割时易受背景、颜色、纹理等的影响,且服装的边缘分割不准确,基于Deeplabv3+算法提出了双注意力机制的方法识别分割服装图像,使用通道注意力机制和位置注意力机制构成名为CPAM的模块对Deeplabv3+网络进行改进。特征图经过多次下采样后再经过通道和位置注意力模块(CPAM)与ASPP模块并行,最后通过上采样得到预测图像。实验证明对不同场景的服装图像分割,加入CPAM模块的模型能更准确地将服装分割出来。

结合Faster R-CNN与Grabcut算法的服装图像自动分割

为了实现服装图像自动分割处理,本文提出基于Faster R-CNN模型结合GrabCut的图像分割方法。利用快速区域卷积神经网络的基本框架,将街拍图的待检测任务分为上衣、裙子、包等六个类别,对原有的基本框架模型的全连接层参数进行调整,得到前景目标框作为GrabCut分割算法的初始框,再使用GrabCut算法进行服装区域提取,从复杂背景的图片中定位服装位置,去除复杂背景,实现服装区域分割。实验结果显示,本文方法能够很好的实现服装自然轮廓检测和提取,适用于图像局部弱轮廓边缘的检测及大批量服装图像分割处理,并且可供大批量处理图片时选择性自动款式类别提取,提高了服装图像分割处理的效率。

针织服装中的分割

针织服装独有的线圈结构使得针织面料具有容易脱散的特性，所以在针织服装中很难见到分割线，分割也是针织服装中的一大禁忌。但是这一问题并非不能解决，可以利用其独有的线圈结构以及面料的特性来达到分割的效果。

基于三维人体姿态信息的协作式扩散试衣生成网络

为解决人体关节遮挡产生的试衣错误、试衣生成结果保真度低以及试衣前后人体形态保持不一致等问题,提出了一种基于三维人体姿态信息的协作式扩散试衣生成网络—3DM-VTON网络。首先,通过三维人体姿态估计模型重构二维人体图像对应的三维人体姿态信息,获取人体各部位的空间顺序。其次,利用多部件服装变形网络,根据服装部件的外观流场对目标服装各部位进行变形,并在人体部位空间顺序的指导下对各服装部件特征进行融合。最后,将人体全局特征与融合后的服装特征引入扩散网络,通过人体姿态控制模块与区域度判别器限制其生成自由度,保证试衣前后人体形态一致性,从而提升图像局部细粒度,获得高质量的虚拟试衣结果。将3DM-VTON网络与目前常用的二维虚拟试衣网络进行实验对比,结果表明:3DM-VTON网络在人体关节遮挡处的服装变形准确度更高,试衣结果更加清晰、自然和逼真,试衣前后人体形态保持更一致。3DM-VTON网络能够生成高质、多姿势的试衣结果,满足虚拟试衣用户更多的试穿需求,可以提升消费者在线购物体验度,助推服装电商行业发展。

几何联动约束的三维服装重建

本文提出了一种几何联动约束的三维服装重建方法。在进行融合处理的过程中,由于考虑到几何控件间的适应特性,需建立三维几何形体的分割、融合和保形变换等数学模型,以便建立光顺的三维服装。

图像提取技术在服装轮廓与图案提取中的研究进展

图像提取技术已广泛应用于医疗、生物、工业自动化、军事安全、纺织、服装等领域。整理近年常用于服装图像提取的相关算法,对图像提取技术在服装图像图案分割提取、服装图像款式图及轮廓识别提取方面的国内外研究和应用进展进行了比较详细地阐述,为图像分割提取技术在服装产业智能化、自动化领域的进一步研究提供参考,并对该技术在服装领域的研究应用及其未来发展趋势进行展望。

基于深度学习的服装图像语义分析与检索推荐

针对服装检测推荐方法中的服装图像分割算法分割精度不高且存在多尺度特征融合不佳的问题,提出一种基于注意力机制和多尺度特征融合的深度卷积网络服装特征提取分析检索与推荐方法。该方法以图像语义分割算法为基础,从服装图像中提取高级语义信息,通过哈希函数对提取的特征进行编码,并引入ASPP对图像进行多尺度特征提取,然后使用注意力模型对提取到的特征进行融合并构建索引库,最终实现语义相似性服装推荐的功能。实验表明:本方法可以有效提高分割准确度,解决多尺度特征提取的问题,能够成功提取图像中的高层次语义特征,具有较高的分割准确率,在很大程度上提高了服装相似性语义推荐的效率。