基于密集块的服装品牌预测

摘要

为了更深入且更准确地学习卷积神经网络，可以将密集块融入卷积网络中以缩短层之间的连接。在本文中，我们提出了一种基于密集块深度卷积神经网络的服装品牌预测方法，用于标志检测与识别。设计了多个密集块以提高对服装品牌标志的预测准确率。我们还构建了一个包含品牌和标志信息的新服装数据集，以促进该任务的实现。在实验中，我们展示了该方法相比一些最先进的方法能够取得更好的性能。

I. 引言

近年来，服装检索和服装类型分类[5]在计算机视觉和模式识别领域引起了广泛关注。然而，目前尚无关于服装品牌分析的相关研究，这促使我们开展这一课题的研究。
有许多因素，例如品牌、价格、风格、颜色、材料和图案，会影响人们选择服装。在这些因素中，品牌是一个非常重要的因素，而服装品牌预测也是一项实际且极具挑战性的任务。
基于深度卷积神经网络（DCNN）的许多方法在服装类型识别、服装检索、目标检测与识别、年龄估计 [11, 13]和视觉质量评估[12, 15]方面取得了显著突破。由于YOLOv3[6]在目标检测中取得了令人满意的结果，我们通过在YOLOv3中引入密集块[14] ，设计了一种新的DCNN模型用于服装品牌预测。
目前，尚不存在包含品牌信息的服装数据集。据我们所知，我们是首个构建包含品牌信息的大规模服装数据集的团队。
我们的实验表明，我们提出的密集块YOLOv3在构建的服装品牌数据集上能够比原始YOLOv3实现更高的品牌预测准确率。我们还表明，在该新的服装数据集上，我们提出的方法在服装品牌预测任务中优于几种最先进的方法。

II. 数据集构建

首先，我们在互联网上搜索服装品牌，并访问它们的官方网站（如果有的话）。此外，我们还会访问一些服装在线购物网站，这些网站包含其他服装品牌。通过这种方式，我们可以尽可能多地收集品牌。
其次，我们开始从找到的每个网站抓取图片，包括官方网站：H&M、Superdry、Forever21、ROOTS、MANGO等，以及在线购物网站：亚马逊、Zappos、雅虎等。
在图像采集过程中，每件服装可能包含4到8张对应不同观察角度的图像。同一件服装的所有图像被视为一个配对。不同品牌的图像数量和分辨率各不相同。224个品牌各自的图像数量如图1所示。我们在收集服装属性时遇到的一个困难是不一致性，即不同网站显示属性的格式不同。
在此阶段结束时，我们的基准数据集——服装品牌（CB）数据集——已收集了一百万张以上的图像，并包含多个属性，例如品牌、类型、颜色、材料、价格、配对等。图2展示了4个服装品牌的一些样本图像。可以看出，一些品牌有标志，而另一些则没有标志。
最后，我们手动标注了从选定的25个服装品牌中提取的25万张图像中的品牌标志，从而构建了一个数据集子集：服装品牌标志（CBL）数据集。然而，许多图像中将没有标志。例如，某些服装单品在正面视角可见标志，但在同一服装单品的其他观察角度中则无法找到标志。经过标注过程后，保留了包含清晰标志的5.7万张图像，且所有图像均包含品牌和边界框信息。

我们还将我们的数据集与一些现有的数据集进行了比较：服装属性（CA）[2],具有风格的服装分类（ACS）[3],多彩时尚（CF）[4],多视角服装（MVC）[5],和 DeepFashion（DF）[1]。比较结果总结在表1中。可以看出，我们的数据集具有最高的分辨率，并且是唯一包含品牌和价格信息的数据集。

数据集	图像数量	类型	颜色	材料	配对	品牌	最高分辨率	价格
ACS [3]	89,484	Y	N	/A	N/A	N/A	224*192	N/A
CA [2]	1,856	Y	Y	N/A	N/A	N/A	864*1296	N/A
CF [4]	2,628	Y	Y	N/A	N/A	N/A	400*600	N/A
MVC [5]	161,260	Y	Y	Y	Y	N/A	1920*2240	N/A
DF [1]	800k up	Y	Y	Y	Y	N/A	750*1101	N/A
CB [ours]	57,000	Y	Y	Y	Y	Y	1900*2375	Y
CBL[ours]	1,000k up	Y	Y	Y	Y	Y(带标志)	1900*2375	Y

III. 提出的方法

由于YOLOv3在目标检测与识别方面表现出色，我们提出的方法基于YOLOv3，通过用密集块替代残差块来实现。用于品牌标志预测的整体密集块YOLOv3框架如图3所示。我们使用密集块的原因是为了更高效地训练深度卷积神经网络，并使其结构更深。显然，各层之间的连接更短，每一层都以前馈方式与其他所有层相连。
在本文中，我们设计了4种不同的密集块，如图4所示，其中密集块（如图3中的绿色框所示）分别包含2、3、4、5个卷积层。每个卷积层的大小为3×3，并后接一个ReLU激活。所有其他参数均设置为与YOLOv3模型相同。

IV. 实验

在实验中，我们使用57,000件衣物使用带有品牌和标志信息的图像来验证我们提出的框架。在实验设置中，分别使用70%、10%和20%的图像进行训练、验证和测试。
我们测试了四种密集块设计：2层、3层、4层和5层密集块。结果如表2所示。我们还将我们的框架与一些最先进的方法进行了比较，结果也列在表2中。结果显示，我们的方法能够显著提升性能，并达到最高准确率62.59%。这证明了基于密集块的YOLOv3是高效的。

方法	准确率
YOLOv2[7]	45.83%
YOLOv3[6]	51.22%
RCNN [8]	45.59%
Fast‐RCNN [9]	47.38%
Faster‐RCNN [10]	48.97%
2‐密集YOLOv3[ours]	57.59%
3‐密集YOLOv3[ours]	58.20%
4‐密集型YOLOv3[ours]	62.28%
5‐密集YOLOv3[ours]	62.59%

V. 结论

我们构建了一个新的大规模服装品牌数据集。它是唯一包含品牌（标志）和价格信息的服装数据集。本文提出了一种基于密集块的YOLOv3框架，用于解决服装品牌标志预测问题，并在性能上优于几种最先进的方法。未来，我们将考虑在整个数据集中进行服装品牌预测，其中大多数图像没有可用的标志信息。