[发明专利]一种基于特征融合网络模型的服装解析方法

权利要求书

1.一种基于特征融合网络模型的服装解析方法，其特征在于：包括，

获取服装数据集的训练集，并对所述训练集进行预处理；

建立特征融合网络模型，特征融合网络模型包括边缘感知网络和多级融合网络，并利用解析损失函数和边缘损失函数训练所述特征融合网络模型；

多级融合网络利用编码网络提取低层次特征图；而后通过特征融合网络模块(100)将高层次特征图和低层次特征图进行融合；

边缘感知网络根据通道顺序连接不同尺度的特征图并进行融合，感知语义边缘特征；不同尺度的特征图为编码层的第一层、第三层和第五层生成的特征图；

根据所述通道顺序，将解码网络的特征图和所述语义边缘特征进行连接，以获得解析的服装图像，并对所述解析的服装图像分别进行测试和评估。

2.如权利要求1所述的基于特征融合网络模型的服装解析方法，其特征在于：所述预处理包括，

分别将所述训练集进行裁减，裁剪尺寸为336*336；

对裁剪的训练集图像进行随机缩放和顺时针旋转，旋转角度为30°；

将训练集进行归一化到[-1,1]，获得初始化数据集。

3.如权利要求2所述的基于特征融合网络模型的服装解析方法，其特征在于：还包括，

利用边缘损失函数对所述边缘感知网络进行监督训练，所述边缘损失函数L_E为：

L_E＝-(y*log(p)+(1-y)*log(1-p))

利用解析损失函数对所述多级融合网络进行监督训练，所述解析损失函数L_M为：

其中，y_i为i种类的样本标签，p为预测为正样本的概率，K为种类类别。

4.如权利要求3所述的基于特征融合网络模型的服装解析方法，其特征在于：所述高层次特征图由Res1、Res2、Res3、Res4生成。

5.如权利要求4所述的基于特征融合网络模型的服装解析方法，其特征在于：所述特征融合网络模块(100)将高层次特征图和低层次特征图进行融合包括，

通过全局平均池化操作，加入1x1卷积层，再经过1x1卷积和Sigmoid激活层来学习非线性特征；

将特征向量通过矩阵相乘的方式作用到原始特征上后再与原始特征进行相加进行最终的特征映射。

6.如权利要求5所述的基于特征融合网络模型的服装解析方法，其特征在于：所述测试和评估包括，

利用PyTorch神经网络架构搭建平台对所述特征融合网络模型，通过随机梯度下降算法进行结构训练；

将验证集和测试集输入至训练好的特征融合网络模型，获得预测得分图。