[發明專利]一種基于零樣本識別的服裝分類方法

在審

• 申請號: 202010255099.5
• 申請日: 2020-04-02
• 公開（公告）號: CN111444974A
• 公開（公告）日: 2020-07-24
• 發明（設計）人: 張家亮;沈宜;趙露露;鄒嚴;張明亮
• 申請（專利權）人: 成都三零凱天通信實業有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 成都九鼎天元知識產權代理有限公司 51214
• 代理人: 夏琴

本發明公開了一種基于零樣本識別的服裝分類方法，包括：步驟1，將服裝特征標注成0、1屬性矢量形成屬性向量S；步驟2，將訓練集的服裝圖片經過預訓練的CNN卷積神經網絡提取視覺特征向量V；步驟3，采用一個兩層神經網絡學習視覺特征向量V到屬性向量S的映射f；步驟4，將測試集的服裝圖片通過預訓練的CNN卷積神經網絡提取視覺特征向量V；步驟5，將該測試集的服裝圖片的視覺特征向量V輸入學習好的映射f中，得到該測試集的服裝圖片相應的屬性向量S；步驟6，根據步驟5得到的屬性向量S在測試集中尋找與其最接近的服裝類別。本發明訓練的映射f不僅能夠識別出訓練集中已有的服裝類別，還可以對于未見過的服裝類別進行區分。

技術領域

本發明涉及服裝分類的機器學習技術領域，尤其是一種基于零樣本識別的服裝分類方法。

背景技術

如今深度學習非?；馃幔诂F實生活中服裝分類卻存在這樣的問題，各個國家各個民族各個歷史時期有非常多的服裝種類，有的服裝圖片數量很少，運用普通的分類器，其限制是：往往需要足夠多的樣本才能訓練出足夠好的模型，并且利用訓練集類別訓練出來的分類器，就只能對訓練集所屬類別進行分類，其他的種類它都無法識別。這樣的模型顯然并不符合我們實際生活中服裝種類多，某些種類數量少的情況，我們希望機器像人一樣，具有通過推理，識別新類別的能力。所以，本發明將零樣本目標識別用于服裝分類，對于要分類的服裝對象一次也不學習，卻能正確分類。

發明內容

本發明所要解決的技術問題是：針對上述存在的問題，提供一種基于零樣本識別的服裝分類方法。

本發明采用的技術方案如下：

一種基于零樣本識別的服裝分類方法，包括如下步驟：

步驟1，將服裝特征標注成0、1屬性矢量形成屬性向量S；

步驟2，將訓練集的服裝圖片經過預訓練的CNN卷積神經網絡提取該訓練集的服裝圖片的視覺特征向量V；

步驟3，采用一個兩層神經網絡學習視覺特征向量V到屬性向量S的映射f；

步驟4，將測試集的服裝圖片通過預訓練的CNN卷積神經網絡提取該測試集的服裝圖片的視覺特征向量V；

步驟5，將該測試集的服裝圖片的視覺特征向量V輸入學習好的映射f中，得到該測試集的服裝圖片相應的屬性向量S；

步驟6，根據步驟5得到的屬性向量S在測試集中尋找與其最接近的服裝類別，該最接近的服裝類別即是測試集識別的服裝分類結果。

進一步地，所述兩層神經網絡的結構為每一層神經網絡包括一個全連接層和一個ReLU層。

進一步地，3.根據權利要求2所述的基于零樣本識別的服裝分類方法，其特征在于，步驟3的方法為：步驟1得到的屬性向量S通過所述兩層神經網絡，并在每層神經網絡的全連接層處使用L2-norm進行約束后，采用如下公式計算其與訓練集的服裝圖片的視覺特征向量V的損失：

其中，表示屬性向量S；N表示訓練集的服裝圖片數量，I_i表示訓練集的第i張服裝圖片，φ(I_i)表示I_i的視覺特征向量；W₁和W₂分別為兩層神經網絡的全連接層的權值；f₁表示修正線性單元；λ是權值的正則化系數。

進一步地，步驟1中所述服裝特征包括但不限于服裝的顏色，長短，長袖/短袖，紐扣/拉鏈，領口樣式和衣飾中的一種或多種。

進一步地，所述預訓練的CNN卷積神經網絡為Inception—v5網絡。

進一步地，所述訓練集和測試集的服裝圖片經過預訓練的CNN卷積神經網絡提取的視覺特征向量V為1024維。