[发明专利]一种基于自动化建模引擎的服装的检索模型及其方法

说明书

本发明提供一种基于自动化建模引擎的服装的检索模型及其方法，模型包括：有监督特征提取模块，利用自动化建模引擎，建立多目标服装属性预测模型，和/或关键点属性预测模型，用于获取服装图像属性特征向量，和/或关键点特征向量；特征降维模块，建立变分自编码模型，利用有监督特征提取模块分别提取变分自编码模型中的输入图像的特征向量和输出图像的特征向量，将输入图像的特征向量和输出图像的特征向量的均方差作为变分自编码模型的损失函数中的重构图像损失；特征匹配模块，提取待检索图像的特征向量，计算服装图像特征向量与检索库中的各检索特征向量之间的相似度。提取的服装特征克服背景内容和模特姿态等因素的影响，提高检索精确度。

技术领域

本发明涉及服装检索的技术领域，尤其涉及一种基于自动化建模引擎的服装的检索模型及其方法。

背景技术

随着互联网和服装电子商务的迅速发展，网络购物市场逐年扩大，如何利用检索技术帮助用户快速找到心仪的服装是一个非常重要的任务。例如，消费者可能希望会根据从时尚杂志和时尚博主的时尚服装款式，从平台上检索到相似的时装产品。同样，在服装生产领域 ，服装生产公司会有大量设计的服装版型的积累，检索功能在高效管理这些设计的版型的过程中扮演重要作用。

然而，服装检测的识别难度很高：其一，衣服形变大，服装本身是柔性很大的物体，人不同的姿势会导致服装的形状不同；其二，在不同的光照情况和复杂的场景下，区分不同服装类型的困难也会增加；此外，衣服的设计包含了大量细节属性，比如领型、版型、颜色、装饰等等，想要区分出它们的难度很大。

一般来说，传统服装检索主要是根据标注的服装标签属性进行检索。然而目前的标签属性描述的信息太过粗糙，因此无法利用标签去详细描述服装的特征；因此，传统检索模型无法满足服装检索的精确度需求，也就是说，实现精准的检索单单依靠服装属性标签是无法实现的，所以如何从服装图像中提取服装的时尚属性是智能检索实现的关键；

随着深度学习的发展，深度学习技术在图像分类，图像分割、目标检测等领域所取得的效果远远由于传统机器视觉。其中卷积神经网络在图像领域优势更加突出，其主要通过卷积核来学习图像特征，卷积核的参数主要靠卷积神经网络模型训练得到。目前视觉各个应用领域的主流算法都是基于卷积神经网络。

目前主流的深度学习特征提取方法分为无监督和有监督模式，其中主流特征学习方式为无监督模式，而变分自编码模型则是其中最热门方法之一。通常变分自编码模型主要用于无监督的特征提取和降维，即在模型中损失函数的设计是通过解码器输出和原图像像素之间的均方差。首先这种像素级对比收敛困难，而且学习深层次的图像特征困难，无法做到去除背景特征信息。

目前服装图像智能检索的挑战性，克服背景内容和模特姿态等因素的影响，提取服装多个维度属性的特征，这是目前图像特征提取手段无法做到的。

发明内容

针对现有技术中存在的上述问题，现提供一种基于自动化建模引擎的服装的检索模型及其方法。

具体技术方案如下：

一种基于自动化建模引擎的服装的检索模型，其中，包括：

有监督特征提取模块，利用自动化建模引擎，根据服装图像的属性标签训练得到多目标服装属性预测模型，和/或根据服装图像的关键点坐标训练得到关键点属性预测模型，并将多目标服装属性预测模型的全连接特征向量层的输出作为属性特征向量，和/或

将关键点属性预测模型的全连接特征向量层的输出作为关键点特征向量；

特征降维模块，用于训练变分自编码模型，具体包括：

特征向量提取单元，采用有监督特征提取模块提取变分自编码模型中的输入图像的特征向量，其中，输入图像的特征向量包括输入图像的属性特征向量和/或输入图像的关键点特征向量；和