近年来随着人工智能技术和智能设备的快速发展,衣物识别、衣物检测、衣物推荐、虚拟换衣等技术越来越受到人们的喜欢。由于这些衣物识别与检测等技术容易受人物姿势、衣物的大小、衣物背景、衣物之间的遮挡的影响,探索出一种实用性强、鲁棒性好和准确率高的算法具有一定挑战。怎样解决衣物这些难点,如何从机器学习中创造出一种适合衣物应用模型,已经成为机器学习、图像处理和识别、模式识别的一个热门问题。本章针对衣物类型识别、衣物属性分类以及衣物检测问题进行了研究,主要完成了如下工作:1.提出了基于软非极大抑值的多尺度网络的衣物检测。该算法对于衣物检测存在检测框容易重叠、小衣物部件较难检测等问题,通过多尺度网络提取训练好的ResNet特征,输入到5个RPN(Region Proposal Networks)网络中并产生大量检测框,接着用软非极大抑值筛选适合衣物框,再将检测框映射到ResNet的特征中,最后使用多任务的分类器对衣物类别进行识别和边框的回归。实验表明,提出的算法MAP达到95.2%,12种类型的召回率都有较好的表现。2.提出了简单跨层inception-v4算法的衣物属性分类。该算法针对衣物26类衣物属性的多任务问题,在简单的跨层inception-v4的模型上引入了DenseNet的密集连接方式,同时对简单的跨层inception-v4网络中的网络参数进行了优化,减小网络计算量,除此之外,引入cen函数适应衣物属性分类。提出的算法在简单跨层inception-v4网络中共享网络特征,分别应用26个分类器对26种属性进行了分类。实验结果表明该方法平均准确率和26种属性的准确率比其他文献更优。3.提出了基于迁移学习下的55层卷积神经网络的衣物类型分类。该算法首先在网络的55层上进行迁移学习,然后训练提取55层的细致特征,再经过增加的多层线性推断,到达了较高的衣物识别准确率。算法主要的思想是通过利用深层网络的优秀的表征能力,增加网络的线性运算进而充分利用55层的特征信息,解决衣物特征复杂问题。实验结果表明,在ACS数据上,该算法比其他算法准确率有明显提升,且网络能学习更细致的衣物特征。