[发明专利]一种基于图注意力网络的服装属性识别方法与系统

说明书

本发明公开了一种基于图注意力网络的服装属性识别方法与系统。包括：对服装数据集的属性关系进行分析，构建属性关系邻接矩阵，从数据集中筛选出输入图像和对应的服装属性标签，进行数据增强处理，其次提取特征，包括提取服装图像的整体视觉特征、属性值视觉特征和属性的关系特征，最后将属性值视觉特征与属性的关系特征进行特征融合，输入至全接网络，输出属性类别预测得分，即属性识别分类结果，计算属性关系图注意力网络最终的输出结果与服装属性标签交叉熵损失函数，利用梯度下降的方法训练整个属性关系图注意力网络。本发明基于计算机视觉的服装属性识别技术，使用图注意力网络充分挖掘属性的内在联系，提高网络识别准确率。

技术领域

本发明涉及计算机视觉、深度学习领域，具体涉及一种基于图注意力网络的服装属性识别方法、系统、设备及存储介质。

背景技术

在大数据时代，人工智能在各个行业都有着广泛的应用。在时尚分析领域，面对时尚潮流以及服装服饰的分析给人们的日常生活带来许多便利。在这些时尚分析任务中，服装的属性是定性、定量描述服装的重要时尚概念。服装属性识别技术是一个在时尚分析任务中的一个重要基础技术。通过对输入的服装图像进行识别，最终可以输出各种服装具有的语义属性，例如颜色、款式、领口的设计样式等等。目前随着深度学习技术的不断发展，服装属性识别技术也取得了许多重大的突破。一些大规模、细粒度的服装数据集的出现也极大加速了服装属性识别技术的法展。这些技术大多是利用这些服装数据集来训练深层的卷积神经网络，实现对各种服装属性的识别获取，但受限于相关深度学习技术的限制，最终获取的服装属性准确率无法满足人们的需求。

目前的现有技术之一是一种采用多任务分支的神经网络技术方案，该方案步骤如下：首先，对服装属性划分为许多组属性，例如颜色、形状、长度、款式等等不同的属性组；其次，为每一个属性组分配一个网络分支，一个分支完成一个属性组内部的属性识别任务；最后，定义一个联合的损失函数，将每个分支的损失函数进行平均，以此来训练整个网络。该方案的缺点为：没有考虑服装属性内部联系对最终属性识别准确率的影响，导致最终的识别准确率较低。

目前的现有技术之二是一种基于属性从属关系的神经网络技术方案，该方案步骤如下：首先，对服装属性划分为许多组属性，例如颜色、形状、长度、款式等等不同的属性组；其次，为划分出的属性组内部构建从属关系，例如对袖长这一属性的短袖、长袖属性归类为有袖属性，从而构建短袖、长袖属性从属于有袖属性的从属关系；最后，在定义损失函数的时候，添加一项父类属性的损失函数，目的是为了先准确识别父类的属性，从而进一步识别子类属性。该方案的缺点为：首先，服装的属性关系十分复杂，单一的从属关系无法完全表达出服装属性的内在联系；其次，对于属性关系对最终识别准确率的影响建模不到位，单纯在损失函数添加罚项只能用于处理从属关系。

发明内容

本发明的目的是克服现有方法的不足，提出了一种基于图注意力网络的服装属性识别方法。本发明解决的主要问题：一是没有考虑服装属性内部联系对最终属性识别准确率的影响，导致最终的识别准确率较低；二是单一的从属关系无法完全表达出服装属性的内在联系；三是最终识别准确率的影响建模不到位，单纯在损失函数添加罚项只能用于处理从属关系。

为了解决上述问题，本发明提出了一种基于图注意力网络的服装属性识别方法，所述方法包括：

对服装数据集的属性关系进行分析，为每个不同的属性组构建属性关系邻接矩阵；

从所述服装数据集中筛选出输入图像与其对应的服装属性标签，并将输入图像进行统一尺寸和数据增强处理；

将所述输入图像输入到在图像分类数据集ImageNet上预训练好的ResNet模型中，提取服装图像的整体视觉特征；

将所述整体视觉特征再分别经过M个全连接层，为M个所述属性组提取对应的属性视觉特征，分出的每一个分支就是一个属性识别网络；

将所述属性视觉特征进行转化、切片分割，得到属性值视觉特征；