基于生成式对抗网络的用户下装搭配推荐

为解决消费者由于频繁购入相似服装以及不知如何穿搭的问题,设计了一款智能搭配系统,为用户提供穿搭建议,减少重复购入相似衣服导致的浪费。利用爬虫技术获取大量中高端品牌的服装搭配数据,利用深度学习的新兴模型生成式对抗网络,对服装搭配数据进行学习,挖掘搭配的颜色、款式等视觉规律,训练模型能够实现输入上装图像时智能生成下装图像功能,再通过图像相似度计算匹配到用户预设的个人衣柜,最后结合温度为用户推荐合适的下装。通过对比原搭配和模型生成搭配,验证了该方法的有效性,为智能穿搭提供了新思路。     

少样本学习下的服装风格分析与评价

为提高服装风格评价的客观性,提出了利用卷积神经网络对不同品牌服装风格特征进行自动提取、识别和分类的方法,以不同品牌的服装为对象,探究其视觉风格合理表征的方法,并实现品牌服装的分类任务。建立了品牌服装数据集,该数据集包含50个品牌的服装图像,每个服装品牌30张,随机抽取36个用作训练集,剩余14个用作支持集和查询集。采用少样本学习的网络模型,Siamese网络模型、Protype网络模型、Meta baseline网络模型对品牌服装数据集进行测试,对比分析3种网络模型的实验结果。结果表明:在品牌服装图像数据较少的情况下,可以通过少样本学习方法对其进行分类,使用meta baseline网络在5-way,1-shot任务中的分类准确率高达0.9475。     

基于服装结构特征识别的相似样板匹配技术

为提高服装制版效率,实现从服装款式图到样板的智能检索,提出一种基于服装结构特征识别的相似样板匹配技术。该技术将服装结构制版知识与深度学习算法结合,基于对女裤中的廓形、褶裥、腰头类型等18个细粒度特征的识别来匹配样板。其中,技术的实现主要包括分类标签设计和模型验证实验。对于分类标签设计：先根据女裤结构制图知识,对平面款式图中可作为样板相似性评价指标的服装结构特征进行定义,并根据定义设置多标签类别;然后将多标签分类转化为单标签多分类,建立平面款式图、结构特征和样板三者之间的联系;最后通过数据可视化等方法对标签之间的相关性进行研究,并设计了最终的18个分类标签。对于模型验证实验：首先建立以女裤平面款式图为样本的服装数据集,基于数据集的特点对经典AlexNet网络进行改进,其中包括简化网络结构、减少模型参数、防止过拟合,在每层卷积层后增加批归一化操作,以加快模型的收敛速度,提高模型的泛化能力。模型测试结果表明：改进后的模型在验证集上的准确率为83.4%,相比改进前的AlexNet模型其准确率提高了6.7%;与其它结构更复杂的网络模型相比,该模型的准确率更高,综合性能更好,可用于款式图的结构特征...     

基于深度学习的服装丝缕平衡性评价系统

为解决虚拟试装中难以自动评价服装丝缕平衡性的问题,充分应用了深度学习在图像自动识别中的优越性,针对服装丝缕平衡的特点,设计了卷积神经网络的拓扑结构,通过对各个特征部位上不同平衡状态的服装丝缕图片进行等级分类和学习训练,得到的网络模型的识别准确率达到93.589%,从而建立了可实现对服装各个关键部位丝缕平衡性自动评价系统。结果表明:应用基于深度学习的服装丝缕平衡性评价系统,对虚拟环境下的服装各个关键部位上的丝缕图片进行识别和分类,可以缩短服装平衡性检测的时间,提高检测的效率,快速获取服装丝缕不平衡的位置,以便对服装进行修改。     

手绘草图到服装图像的跨域生成

针对基于手绘草图的服装图像生成质量较低以及服装图像丰富的语义属性与视觉细节难以利用的问题,提出一种基于手绘草图的服装图像生成方法AGGAN。利用深度学习技术中的强大生成模型生成式对抗网络与注意力机制,对服装草图与服装图像数据进行学习,通过属性融入模块将服装属性进行One-hot编码后得到AdaIN参数并融入到生成对抗网络模型中,训练模型学习服装图像与其视觉属性之间的对应关系,使得模型能够在输入条件为服装属性的情况下生成相应的服装图像。对比了AGGAN与其它图像生成方法在输入为服装草图时生成服装图像的效果,结果表明：AGGAN的弗雷切特初始距离FID值得分相较于无监督图像生成模型CycleGAN降低了26.2%,初始分数IS值则提高了13.8%,明显提升了生成服装图像的多样性与保真度。     

基于模糊理论的毛针织服装款式识别

提出了一种新的基于模糊理论的毛针织服装款式识别算法,使毛针织服装CAD更具智能化,可提高后续衣片拆分和工艺单计算的效率.该方法首先分析毛针织服装款式轮廓点的特点,建立了由7个特征组成的款式轮廓点分类依据;根据模糊理论建立了模糊聚类矩阵,通过计算机将款式轮廓点自动归类;根据毛针织服装款式的特点,给出了款式对比前的缩放公式,并提出了用于款式模糊识别的贴近度公式.得出了该套算法可快速准确将毛针织服装款式轮廓点归类并可准确识别款式类型的结论.     

基于CycleGAN的服装图像混搭风格迁移

为解决复杂背景下服装图像的风格迁移形式单一和局部细节失真问题，提出一种基于CycleGAN的服装图像混搭风格迁移的方法，用于实现服装款式和图案的多风格迁移。通过加入分割掩码，一方面，对特定区域的风格化形成空间约束，在判别器中加入谱归一化和引入背景优化损失保留了局部细节的真实度，实现服装风格款式的风格迁移；另一方面，提出图像融合的方式，将图案融入判别器输出的服装图像中，实现多风格迁移。最后，通过与CycleGAN和InstaGAN比较，依据生成图像的效果进行主观分析，使用图像质量评估指标IS和SSIM进行客观评估以验证该方法的有效性。     

采用最大均值差异和权重约束的服装识别迁移学习

为了提高基于深度学习的服装图像识别网络的泛化性能,文章提出了一种迁移学习方法,即从一个服装识别任务中提取知识并将其迁移到另一个相似任务中。所提出的神经网络由2个分支组成,一个分支在源域上进行计算,另一个分支在目标域上进行计算。为了表征2个分支之间的相似性,采用最大均值差异损失减小输出特征之间的分布差异,并使用权重约束损失来减小权重的差异。结果表明:与其他迁移学习方法相比,该方法可以提高2%的预测准确率,迁移学习后的Resnet50模型在ACWS数据集上的预测准确率可以达到69.01%,在IDesigner数据集上的预测准确率可以达到91.18%。     

基于交互式遗传算法的三维服装款式研究

为进一步提高三维服装设计的用户满意度,提出了一种基于交互式遗传算法的服装款式设计方法。首先构建交互式遗传模板,实现款式部件与遗传操作的对接,接着通过建立服装款式部件库,采用基于染色体指针的编码方式,实现三维服装部件遗传操作,最后通过对比实例验证本文所提算法的可行性。研究结果表明:构建交互式遗传模板,可以不断改进款式部件库;采用基于染色体指针的编码方式,可以实现复杂度较高的三维服装部件遗传操作;另外,该算法的美观度比传统遗传算法和二维裁片法分别提高18%和35%,表明通过交互进化可以快速提升用户的满意度。     

服装风格图像的识别分类研究进展

针对服装风格识别与分类,从服装相关数据集、服装图像特征提取、应用场景3个方面综述了该领域的研究进展。服装图像分类数据来源主要包含社交网站、购物网站以及时尚资讯媒体,从季节、时尚风格、服装信息等服装属性归纳数据集特点,围绕图像处理技术对其应用于服装领域最广泛的特征提取方法加以介绍,详细综述了传统特征提取方法、卷积神经网络（CNN）、图卷积神经网络（GCNN）、无监督学习方法在服装领域的相关研究及其模型优化效果、优缺点等。最后分析讨论了服装风格识别分类在时尚风格流行趋势预测、服装搭配推荐方面的发展趋势、关键技术及应用前景。研究认为,未来可以在人体相关特征提取、多角度时尚趋势预测、服装推荐主观评价等方向进一步研究。     

结合显著区域检测和手绘草图的服装图像检索

针对服装图像检索准确率和效率较低的问题,提出一种服装显著区域检测和手绘草图的服装图像检索方法。首先采用正则化随机漫步算法对输入的服装图像库进行视觉显著区域检测,并结合其边缘轮廓信息,得到服装显著边缘图像;其次,对输入的服装草图和服装边缘图像进行特征提取,得到服装草图和服装边缘图像各自的方向梯度直方图(HOG)特征;然后,通过计算服装草图特征和服装边缘特征的相似度,实现特征匹配;最后,按照特征匹配结果在服装图像库中检索与服装草图相似的服装图像,采用基于距离相关系数的重排序算法对其相似度进行排序并输出检索结果。结果表明,该方法提高了服装检索的准确率,具有较好的鲁棒性,检索准确率可达78.5%。     

基于复杂网络提取和支持向量机模型分类的服装领型研究

为解决服装打版中款式自动搜索的问题,以服装衣领款式的结构特征为背景,以服装圆领型图像为例,先通过构建复杂网络对其进行复杂网络特征的描述与提取,然后采用支持向量机的模型实现8种衣领类型图像的分类.实验结果表明:样本整体的平均分类准确率为98％,各类别的平均分类准确率均达到96％以上,其中,圆领的平均分类准确率为100％;...     

采用傅里叶描述子和支持向量机的服装款式识别方法

为解决当前服装款式识别领域中,服装轮廓特征提取技术较复杂,其分类方法的效率低、适应性差等问题,提出一种新型的服装款式的识别方法。首先创建了一个服装图像样本库,并从这些服装图像中提取服装轮廓,然后使用傅立叶描述子描述服装的轮廓特征,以多分类支持向量机进行分类。结果表明,该方法能够准确提取服装轮廓,傅立叶描述子的识别效果优于Hu不变矩和融合特征（Hu不变矩和傅立叶描述子）;对傅立叶描述子进行主成分分析不能提高识别准确率;支持向量机的分类效果优于极端学习机;该方法能够达到95%以上的识别率,尤其对轮廓特征明显的款式有更好的识别率。     

结合特征学习与注意力机制的服装图像分割

针对小尺寸服装与遮挡服装图像分割准确率低的问题,提出一种基于改进多尺度特征学习策略与注意力机制的服装图像分割方法。以Mask R-CNN为基础框架,首先采用增强特征金字塔网络优化模型的特征学习过程,对多尺度服装特征进行统一监督,缩小不同层级之间的语义差距,引入残差特征增强模块减少高层特征损失,采用软感兴趣区域选择自适应地获取最优感兴趣区域特征;然后在分类预测分支引入通道注意力模块,在边界框回归与掩膜预测分支分别引入空间注意力模块,提取图像中需要重点关注的服装区域特征。结果表明,与其他方法相比,本文方法改善了小尺寸服装图像和遮挡服装图像分割中存在的漏检、漏分割现象,提取出的服装实例更精确,其平均精度均值比原模型提升了3.8%。     

基于卷积神经网络的领带花型情感分类

为避免传统手工特征和局部特征难以全面表征和准确量化图像情感特征的不足,以领带花型为研究对象,提出了一种融合手工情感特征的基于卷积神经网络的织物图像情感分类方法,可为服饰设计、服装选购等提供辅助。 首先对领带花型图像进行情感评价,建立领带花型图像的情感样本库;然后提取图像饱和度、纹理等手工情感特征和图像像素值作为卷积神经网络的输入;其次建立卷积神经网络模型,将2 000幅样本图像作为训练样本对卷积神经网络进行训练;最后将1 000幅检测样本输入训练后的卷积神经网络,实现了领带花型图像的情感分类。实验结果显示：该方法的情感分类准确率为89.7%,比采用传统手工特征的分类方法有较大提升,较其他卷积神经网络模型正确率更高。     

基于改进边缘检测算法的服装款式识别

为快速识别服装款式类型,提高生产效率,针对现有传统边缘检测算法难以准确提取轮廓特征序列的不足,设计一种改进的边缘提取算法。通过定义一种新的优化卷积核,在使用传统边缘检测算法提取训练样本的服装轮廓基础上,将该卷积核与目标矩阵进行卷积得到新的外轮廓,将新轮廓序列的傅里叶描述子作为特征向量,进一步利用BP神经网络模型完成服装款式的自动分类与识别。为验证改进方法的有效性,建立一个包含4类服装500个不重复服装图像的样本库,选取281个作为训练样本,对剩余219个样本进行测试,测试识别准确率最低为93.48%,最高达到了100%。该改进算法提高了服装款式识别率,对服装智能化生产具有借鉴意义。     

基于连衣裙结构特征匹配的款式识别技术

为便于人们快速检索相似款式的服装,以连衣裙款式关键点轮廓为基础,对轮廓的不同描述和相似性度量计算的检索方法进行了研究。将形状上下文、传统欧式距离和基于系数分配的欧式距离3种算法计算的相似度结果与人工测评的相似度测评表做对比,确定最优算法。结果表明:形状上下文匹配方法的效果最佳,其中准确度和精确度分别为82.91%和77%,可作为轮廓相似性度量算法;基于系数分配的欧式距离与传统欧式距离的匹配效果相比,准确度和精确度都有所提升,分别提高6.45%和0.44%;根据计算初步推断,在轮廓特征描述子中按照相似度影响程度大小排序为:角度余弦值、宽度、高度。     

基于数量化理论I的男西装款式要素感性评价

为得到更加契合人的情感需求的服装产品,帮助企业更好地了解消费者的感性心理,以服装中的经典品类男西装为实例,提出基于数量化理论I的服装款式感性评价方案。首先,采用语义差异法获取用户对男西装样本的感性评价,并建立男西装感性意象二维空间;然后,通过分析男西装样本的款式特征,提取对感性意象有关键影响的款式细节设计要素;最后,应用数量化理论I构建感性因子与款式设计要素间的关联性模型。经验证可知,回归模型具有较高的预测精度且符合正态分布,进一步通过案例验证表明该模型可将人的感性需求与男西装款式设计要素进行转化,能够有效地用于男西装款式的感性评价。     

Design of style transfer swimsuit patterns based on convolutional neural network北大核心CSCD

With the penetration of artificial intelligence technology into various fields the combination of artificial intelligence and art design provides a broader prospect for the intelligent design of clothing. As an active topic of deep learning of artificial intelligence style transfer starts to be used in the fields of clothing pattern design and art painting. At present there are many technical shortcomings in using style transfer technology for clothing pattern design. When style transfer based on the convolutional neural network is applied to clothing pattern design the problems of monotonous color simple texture and inability to remove redundant backgrounds arise. Therefore this study explores an integration of Gram matrix and Canny edge detector to solve the problem of multi-style fusion and background segmentation in style transfer. In this study in order to realize multi-style transfer we first input multiple style images into the VGG-19 model so that the layers designated as style output can extract the features of each style image and output them separately. We calculate the Gram matrix of each image separately and weight all the obtained Gram matrices to form a new matrix. Therefore the co-occurrence and correlation of each channel in the new matrix can represent the fusion style. In order to deal with the redundant backgrounds generated in the style transfer process and the non-rendered areas due to the features of swimsuit styles we adopt the Canny edge detector algorithm and the OpenCV image processing library to perform operations such as rendering segmentation of images using the HSV interval differences of different rendered areas of swimsuit and finally obtain the swimsuit pattern design drawings. Compared with other convolutional neural networks whose style transfer can only extract the style of one image we optimize the structure of the Gram matrix and can extract the style of multiple images to transfer at the same time. In the processing of the image generated by style transfer by analyzing the structure and design features of swimsuit a clothing image segmentation model applicable to swimsuits is established. In order to verify the effectiveness of this study in the field of clothing pattern design we compare the effect drawings generated in this study with those generated by the style transfer method of other convolutional neural networks using the three metrics of questionnaire score PSNR and SSIM and the results show that the method of this study obtains higher evaluation in all the three metrics. This study by combining the painting art style with swimsuit pattern design is able to design a large number of swimsuit patterns with multi-style fusion features at a very low cost and has great application prospects. There is still room for improvement in the accuracy of swimsuit image segmentation in this study and further research will be conducted in this area. © 2023 China Silk Association. All rights reserved.     

融合自适应局部特征与改进模糊C均值的服饰分割算法

提取人体着装图像的服饰区域时,易受光照、阴影遮盖与人体姿态、肤色等问题的影响,提出一种融合自适应局部特征与改进模糊C均值(fuzzy C-means,FCM)的服饰图像分割算法。首先,通过改进区域生长法消除阴影实现前景提取;其次,采用MDSMGR-WT超像素分割获取图像局部特征,将自适应局部信息融入双加权FCM目标方程中,实现二次精细化分割;最后,经肤色检测提取目标服饰区域。实验结果表明,该方法的准确率可达78.93%,召回率90.12%,查准率89.93%。该方法能够减少内部区域噪声,提高服饰图像的分割精度。