[发明专利]一种针对服装照片的特征提取方法

说明书

本发明公开了一种针对服装照片的特征提取方法。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。本发明针对服装照片设计的特征提取方法非常通用而且鲁棒，可用于服装照片的分类、标注、检索和聚类等应用。

技术领域

本发明涉及了一种图像特征提取识别方法，主要涉及到了一种针对服装照片的特征提取方法。

背景技术

好的特征可以极大提高模式识别系统的性能。过去几十年模式识别的各种应用中主要使用手工设计的特征，但是手工设计的特征主要依靠设计者的先验知识，很难利用大数据的优势。深度学习与传统模式识别方法的最大不同在于前者从大数据中自动学习特征，而后者采用手工设计的特征。通常，一个模式识别系统包括特征和分类器两个主要的组成部分，二者关系密切，在传统的方法中特征和分类器的优化是分开的。在深度神经网络的框架下，特征表示和分类器是联合优化的,可以最大程度发挥二者联合协作的性能。

2006年，Geoffrey Hinton提出了深度学习。在这个之后，深度学习在许多领域取得了巨大的成功。神经网络能够重新流行有几个方面的原因。首先，大数据的出现在很大程度上缓解了神经网络模型训练过拟合的问题。其次，计算机硬件的发展提供了强大的计算能力，使得训练大规模的神经网络成为可能。此外，通过学术界和工业界的努力，在神经网络的模型设计和训练方法都取得了长足的进步。深度模型具有强大的学习能力和高效的特征表达能力，从像素级原始数据到抽象的语义概念逐层提取信息。深度模型在提取图像的全局特征和上下文信息方面具有突出的优势。

另一方面，图像分类和图像检索是图像理解的两个主要任务，其共同点是学习一个特征表示方法，以语义的方法理解视觉数据。但是，两者学习的具体目标并不一致，图像分类的目标是根据图像的语义将不同类别图像区分开来，图像检索的目标是给定一个查询，从数据中查询最相关的图像。如何利用深度模型设计一个表征学习模型，能够同时用于图像检索任务和图像分类任务，是一项具有挑战的工作。

发明内容

为了解决背景技术中存在的问题，本发明的目的在于提供了一种针对服装照片的特征提取方法，对服装照片进行特征学习，可用于服装照片的分类、标注、检索和聚类等应用。

本发明解决其技术问题采用的技术方案如下：

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128维的特征向量。

本发明的特征向量同时包含了图像的语义标签类别信息和图像的相似性度量信息。本发明设计了特殊的多任务分类损失函数，使得特征提取模型从服装照片准确提取到服装照片的语义标签类别信息。

本发明设计了特殊的四元损失函数，使得特征提取模型从服装照片准确提取到服装照片的相似性度量信息。

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室外环境为图像背景的包含人体全身的照片，主要想突出展示所穿服装的视觉特征。

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。