基于卷积和Transformer融合的服装分类算法

针对传统基于卷积神经网络的服装分类算法无法满足海量多样服装分类需求的问题,提出一种卷积注意力融合的服装分类网络.该网络采用并行结构,包含一个ResNet分支和一个Transformer分支,充分利用卷积运算提取的局部特征和自注意力机制提取的全局特征,以增强网络的表征学习能力,从而提高服装分类算法的性能和泛化能力.为验证该方法的有效性,在数据集Fashion-MNIST和DeepFashion上进行了对比实验.结果表明:在数据集Fashion-MNIST上,该方法取得了93.58%的准确率;在数据集DeepFashion上,该方法取得了71.1%的准确率;该方法优于其他对比方法的实验结果.

一种基于自注意力信息补偿的服装分类算法

针对传统基于内容的服装分类对图像特征有较高的要求,当服装款式较多时,其准确率难以满足服装分类应用需求的问题,提出一种基于深度学习方法的平行自注意力分类网络.该网络在ResNet50的基础上增加了平行自注意力补偿分支,该分支能提升服装分类任务中的特征提取质量,逐步补充深层网络缺失的浅层细节信息.在数据集DeepFashion上进行了对比实验,实验结果证明了该方法的有效性.

畲族服装特征提取及其分布

服饰纹样是畲族服装的重要特征,这些特征的数字化研究对畲族服装的计算机自动分类有重要意义。实验选取12款典型畲族服装,采用高斯模糊和尺度不变特征转换方法从服装样图中提取特征关键点,并获得在领口、门襟、袖口和侧开衩等不同区域的关键点分布。结果表明:用计算机获得的关键点分布与不同类别畲族服装特征之间具有良好的一致性;通过关键点数量分析,可以得到不同类别畲族服装的关键设计区域和排序;用关键点向量间方差大小可以表征畲族服装纹理的复杂度。该方法可有效识别不同类别的畲族服装,为畲族服饰设计提供了参考。

女性职业服装快速定制研究

中国目前职业服装的定制主要以手工量体、单件加工的方式 ,其生产效率远不如标准化的服装生产 ,因此价格居高不下 ,缺乏市场竞争力。现将自行设计开发的职业服“度身定制”软件(BRBS系统 )进行阐述 ,从总体结构、形体测量及识别。

基于残差的优化卷积神经网络服装分类算法

针对目前服装分类算法在解决多类别服装分类问题时分类精度一般的问题,提出了一种基于残差的优化卷积神经网络服装分类算法,在网络中使用了如下三种优化方法:(1)调整批量归一化层、激活函数层与卷积层在网络中的排列顺序;(2)"池化层+卷积层"的并行池化结构;(3)使用全局均值池化层替换全连接层。经过由香港中文大学多媒体实验室提供的多类别大型服装数据集(DeepFashion)和标准数据集CIFAR-10上的实验表明,所提出的网络模型在处理图片的速度和分类精度方面都优于VGGNet和AlexNet,且得到了目前为止已知的在DeepFashion数据集上最好的分类准确率。该网络也可以更好地应用于目标检测和图像分割领域。

基于关键点注意力和通道注意力的服装分类算法

提出了一个基于关键点注意力机制与通道注意力机制相结合的深度神经网络,用于解决服装关键点检测、类别分类和属性预测等3个方面的问题。网络通过对输入特征图进行卷积提取特征、反卷积恢复特征图大小以及加入非局部连接结构获得关键点之间的联系等一系列操作来预测服装关键点,进而得到关键点注意力。关键点注意力模块强调了服装中有辨别性区域的特征,进而得到新的特征图。此外,通道注意力模块增加了对分类和属性预测影响更大的特征图的权重。在DeepFashion数据集上的实验结果表明:本文方法较当前已有方法有效提高了类别分类的准确率和属性预测的召回率。

买服装要看清“安全类别标识”

你在挑选服装时，是否清楚买衣服需要认清一种安全标识“GB18401—2003”呢？是否明白服装标签上的A、B、C代表着什么呢？