论文部分内容阅读
随着服装电子商务的发展和大数据时代的来临,越来越多的线下服装商家开始在电子商务平台上销售服装,互联网上存储着海量的服装数据,用户对自身服装搭配也越来越重视。借助海量数据和算法为用户推荐服装搭配方案,以满足用户需求及提升用户的购买欲望,是服装电商平台提升用户体验和销量的重要手段。此外,现代社会中,人们将穿搭视为自己个性的表达,也更加注重自身服装搭配。因此研究服装搭配技术对电商平台和用户都有十分重要的意义。本文基于服装图像搭配的应用背景,将深度学习网络中的图像分割模型和时间序列模型应用到服装搭配上。主要完成以下工作:1.提出残差结构的递归融合模块,用以改进语义分割网络,能在减少网络参数的同时提高语义分割的精度。递归结构通过卷积核复用来减少卷积核参数量,残差结构缓解梯度传播困难,特征图融合结构将可视野大小不同的特征图融合到一起以提高分割精度。并将该模块应用于Mask RCNN实例分割网络的分割分支上,提高了Mask RCNN网络的分割性能。2.提出基于Bi-LSTM的服装搭配网络,共有三个模块组成。a)特征提取模块分别使用Inception V3提取服装图像的低层特征信息和Mask RCNN的分类分支提取服装图像的高层语义信息;b)风格相容性模块将服装搭配单品视为时间序列,用Bi-LSTM网络学习服装单品之间的前后联系和整体风格的相容性;c)特征融合模块引入了融合两种图像特征信息的参考向量,设计的损失函数既能提高同张图像两种信息之间的相似度又能增大不同张图像之间两种信息的区分度,该参考向量更好的表达了图像信息。实验结果表明,提出的损失函数和参考向量对后期的填空选择推荐和服装搭配打分任务都有促进作用。3.提出端对端的服装搭配系统,将图像中的服装单品分别分割并进行后处理后送入服装搭配网络中实现服装搭配推荐任务,整个系统由前期实例分割和后期服装搭配推荐两部分组成,只需要输入一张包含服装的图像就可以完成服装搭配推荐和服装搭配打分的任务,是一个端对端的系统,能应用于网络平台上为用户找到合适的服装搭配方案。