[发明专利]一种针对服装照片的特征提取方法

权利要求书

1.一种针对服装照片的特征提取方法，其特征在于：所述方法的步骤如下：为服装照片构建基于深度学习模型的特征提取模型，特征提取模型中包含多任务分类损失函数和四元损失函数；采集若干带标签的服装照片作为训练数据，将带标签的服装照片及其标签输入到特征提取模型进行训练，在多任务分类损失函数和四元损失函数的共同优化下通过反向传播算法进行特征提取模型的参数优化，获得训练后的特征提取模型，以训练后的特征提取模型对带标签的服装照片进行处理提取获得特征向量。

2.根据权利要求1所述的一种针对服装照片的特征提取方法，其特征在于：所述的步骤1)中，带标签的服装照片从社交媒体的数据库采集，是社交媒体用户分享的以街景为图像背景的包含人体全身的照片。

3.根据权利要求2所述的一种针对服装照片的特征提取方法，其特征在于：每张服装照片均包含了季节标签、服装风格标签和服装类别标签。

4.根据权利要求1所述的一种针对服装照片的特征提取方法，其特征在于：所述步骤2)中，特征提取模型包括四个并列独立的深度卷积神经网络，四个深度卷积神经网络的网络结构和参数完全一致；每个深度卷积神经网络采用了VGG-16网络的第一个全连接层及之前的所有网络结构，并将VGG-16网络的第一个全连接层后面的网络结构替换为128维的全连接层作为特征嵌入层；

并且在特征嵌入层的后面设有两个并行独立的损失层：

一个损失层是多任务分类损失层，多任务分类损失层包括三个并列的全连接层和softmax层，三个全连接层的输入共同连接到第四个深度卷积神经网络的特征嵌入层的输出，三个全连接层的输出共同连接softmax层的输入，softmax层的输出作为多任务分类损失层的输出；

另一个损失层是四元损失层，四个深度卷积神经网络的特征嵌入层的输出均经二范数归一化处理(L2-Normalization)后共同连接到四元损失层的输入。

5.根据权利要求4所述的一种针对服装照片的特征提取方法，其特征在于：

所述的多任务分类损失层由以下多任务分类损失函数构成，多任务分类损失函数为三个子损失函数的加权和L_class，具体如下：

L_Class＝λ₁L_s+λ₂L_t+λ₃L_g

其中，L_s是季节分类任务的子损失函数，L_t是服装风格分类任务的子损失函数，L_g是服装类别分类任务的子损失函数，λ₁、λ₂和λ₃分别是季节分类、服装风格分类和服装类别分类的权重系数，用来控制三个分类任务的子损失函数对特征学习的影响；

三个子损失函数L_s、L_t和L_g计算为：

其中，N是训练图片的总数，i为图片的索引，j为类别的索引,x_i是第四个深度卷积神经网络输入的第i张图片，Y_i^s是第i张图片的季节标签，Y_i^s∈[1,4]，Y_i^t是第i张图片的服装风格标签，Y_i^t∈[1,7]，是第i张图片第j个服装类别标签，K_g是服装类别个数，是第i张图片x_i对应的第j个季节分类任务对应的softmax层的输出，是第i张图片x_i对应的第Y_i^s个季节分类任务对应的softmax层的输出，是第i张图片x_i对应的第j个服装风格分类任务对应的softmax层的输出，是第i张图片x_i对应的第Y_i^t个季节分类任务对应的softmax层的输出，是第i张图片x_i对应的第j个服装类别分类任务对应的softmax层的输出。