本文介绍了DeepFashion数据集的创建及其在服装识别和检索中的应用。通过深时尚（DeepFashion）数据集，作者提出了FashionNet模型，该模型结合服装属性和关键点信息来提取特征，能有效应对形变和遮挡问题。FashionNet基于VGG16网络，具有三个分支，分别用于全局特征、关键点特征和定位。实验表明，关键点信息对于提高服装检索性能至关重要。
DeepFashion: Powering Robust Clothes Recognition and Retrieval with Rich Annotations
服装识别，检索的难点：
1.变形，遮挡，缩放，视角的变化对检索效果有很大的影响。
2.样式纹理的多样性。
3.背景不纯，复杂。
创新点：
- 创建了一个服装数据集DeepFashion，包含80万张服装图像，有类别，属性，特征点以及服饰框的标注。
- 提出一个深度学习模型FashionNet，结合服饰属性和特征点进行服饰的特征提取，可以较好的应对服饰的变形遮挡等问题。
DeepFashion数据集：
标注：
- Massive attributes：50个类别，1000个属性，其中属性分成5个组，分别为质地、织物、形状、零件和样式（texture, fabric, shape, part, and style），属性包含服装商品识别必须的信息。
- Landmarks： 关键点位置能够有效处理形变和姿态变化，比如对于上衣，有六个关键点，分别在领子左右，袖子左右，下摆左右。
- Consumer-to-shop pairs)：映射对（P
最低0.47元/天 解锁文章
扫一扫
498
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
