[發明專利]一種基于稠密網絡和多相似損失的服飾檢索方法

在審

• 申請號: 202110659071.2
• 申請日: 2021-06-15
• 公開（公告）號: CN113486884A
• 公開（公告）日: 2021-10-08
• 發明（設計）人: 徐菲菲;田宇
• 申請（專利權）人: 上海電力大學
• 主分類號: G06K9/32
• 分類號: G06K9/32;G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海德昭知識產權代理有限公司 31204
• 代理人: 郁旦蓉

本發明涉及一種基于稠密網絡和多相似損失的服飾檢索方法,屬于人工智能領域。因為本發明以稠密網絡為基礎，并引用多相似性損失函數，將數據流編碼成特定的特征圖進行比較，最有效的找到最接近的服裝款式，所以在服裝檢索方面具有較高的準確率、節省人力物力、并且在處理龐大數據集時，同樣適用，具有廣泛的應用前景。

技術領域

本發明涉及人工智能領域，具體涉及一種基于稠密網絡和多相似損失的服飾檢索方法。

背景技術

日常生活當中，吃穿住行一直是人們關心的基本問題，其中“穿”指的就是服裝。隨著電商平臺的大力發展，越來越多人喜歡在網上購物，如何在大量的服裝圖片選擇自己喜歡的衣服，這里可以使用到服裝檢索技術。這是一個很有挑戰性且有很多實際應用價值的方向，激發很多視覺方面學者去探究。

過去的圖像檢索主要是基于文本的圖像檢索，它旨在針對圖像文本內容進行檢索匹配，它的精度盡管很高，但同時缺陷也很明顯，需要大量的人工標注。盡管針對小數據集效果顯著，不過在大數據集的面前需要大量的人力物力，而現在研究的重點在基于內容的圖像檢索。基于內容的圖像檢索主要是針對于每個像素點，通過其像素值來提取特征，進而在另外一個嵌入空間用它的編碼向量來表證這個圖片語義，尋找此空間內相近的圖片。

圖像檢索任務處理方法從原來較為流行的傳統圖像算法SIFT到現在越來越火的卷積神經網絡算法，這是從手工提取特征到計算機自動提取特征的轉變。圖像檢索也可以看作一種度量學習過程。目前針對于深度度量的學習主要有兩個發展方向，其一是設計新的網絡結構，像孿生網絡，三元組網絡等。第二就是針對于損失函數的改進，像對比損失，中心損失，多相似度損失等。這些方法主要對于嵌入空間里的不同特征向量的進行不同程度的不同方向的推拉。

在服飾檢索中，比如在數據集中，可能衣服會出現褶皺或遮擋。這些問題都會影響測試結果。當衣服出現褶皺時進行訓練，通過訓練樣本提取的特征值一定和平鋪衣服的特征值有很多區別，這個在測試的時候會成為很大的干擾。在人們的認知中，對于同一款衣服的顏色可能不同，我們一般認為它們是一類衣服，但是模型識別圖片的時候一般以RGB顏色為主，通過大量的同類數據集可能會校正模型輸出的結果，可是往往實際情況中我們可能整個數據集很大，但同一類的數據往往并不是很多，因此導致我們無法矯正模型正確的輸出，同時在訓練訓練集時，由于訓練集過于龐大，一般采用批處理的方式去訓練數據集，但是一般的批處理方式僅僅是把數據隨機采樣的劃成數據集的子集進行訓練，可能會出現重復的同屬性數據。

發明內容

本發明是為了解決上述問題而進行的，目的在于提供一種基于稠密網絡和多相似損失的服飾檢索方法。

本發明提供了一種基于稠密網絡和多相似損失的服飾檢索方法，具有這樣的特征，包括如下步驟：步驟S1，將圖片的像素點矩陣作為圖像輸入，將圖片的多個感興趣區域坐標值作為感興趣區域輸入；步驟S2，圖像輸入在稠密網絡提取特征向量后，得到第一特征向量、第二特征向量及分類結果；步驟S3，第一特征向量與感興趣區域坐標值經區域池化層后得到局部特征；步驟S4，第二特征向量經第一降維層后得到降維全局特征；步驟S5，局部特征經第二降維層后得到降維局部特征；步驟S6，降維全局特征與降維局部特征進行維度拼接，經平鋪操作、全連接計算，得到最終全局與局部的聯合向量；步驟S7，第二特征向量以交叉熵損失函數作為損失函數，聯合向量以多相似性損失函數作為損失函數，直到損失值降到最低，輸出檢索結果。

在本發明提供的基于稠密網絡和多相似損失的服飾檢索方法中，還具有這樣的特征：其中，步驟S1中，感興趣區域坐標值通過Kmeans方法得到。

在本發明提供的基于稠密網絡和多相似損失的服飾檢索方法中，還具有這樣的特征：其中，感興趣區域的數量為3塊-5塊。

在本發明提供的基于稠密網絡和多相似損失的服飾檢索方法中，還具有這樣的特征：其中，第一降維層與第二降維層均包括3個卷積層、3個歸一化層及3個激活函數層。