将深度学习与时尚分析中的服装图像分类结合是目前的研究热点之一,然而目前对服装图像分类主要是分成单个标签单独处理。在现实生活中,随着网络购物等服装商务新模式的出现、复杂决策的迫切需要,单标签服装图像分类已经不能解决问题,多标签服装图像分类成为一个重要的学习问题,展现出巨大的应用价值。多标签服装图像分类的目标是预测每张服装图像的一组服装属性标签。本文深入研究深度学习在多标签服装图像分类领域的相关方法,重点解决目前服装属性识别所面临三个典型问题:判别性图像特征学习,处理服装属性标签之间的相关性和训练集数据不平衡。具体来说,本文工作的主要贡献有以下几点:(1)提出双路特征融合模块提取出输入服装图像中更具判别力的特征,充分利用输入服装图像中的全局先验信息和局部示例信息。在多标签的服装图像中,一张图像中可能不止有一个主体,主体具有不同位置、尺度和姿势,一个标签可能与多个主体相关联。此外,一些标签与整个图像而不是一个小区域相关联。因此,全局和局部信息对多标签分类都很重要。该模块包含两路,在第一路中引入一个空间金字塔转换层来学习多尺度标签相关示例的局部特征,第二路从输入服装图像中捕获全局先验作为全局特征。(2)为了处理服装属性标签之间的相关性,更好地提升多标签服装图像分类任务的性能,构建了一个图卷积神经网络来捕获标签相关性,并将提出的GCN中的节点映射到一组相互依赖的服装属性标签分类器。将这组分类器应用到双路特征融合模块学习到的服装图像特征表示上,整个网络可进行端到端的训练。此外,对GCN的相关性矩阵进行优化设计,提出一种有效的再加权方案。(3)采用阈值调优策略,减轻数据不平衡对多标签服装图像分类模型性能的影响。本文对于每个标签不是采用同一固定阈值,而是采用阈值优化器自动遍历搜索每个标签的最优阈值,使用迭代贪心策略对阈值列表逐列以最优阈值进行更新,最后以更新后的阈值列表对输出概率进行阈值拦截得到最后的评价结果。将本文的基于深度学习的多标签服装图像分类算法与其他经典的单网络模型在本文所构建的服装基本属性数据集FashionML上的实验结果进行对比,客观结果数据显示:本文提出的算法较对比算法,有更高的mAP值、C-F1值、O-F1值;从主观来看:本文算法多标签输出结果更加全面准确。