[发明专利]一种基于特征融合网络模型的服装解析方法

说明书

本发明公开了一种基于特征融合网络模型的服装解析方法，包括，获取服装数据集的训练集，并对训练集进行预处理；建立特征融合网络模型，并利用解析损失函数和边缘损失函数训练特征融合网络模型；利用编码网络提取高层次特征图；而后通过特征融合网络模块将高层次特征图和低层次特征图进行融合；根据通道顺序连接不同尺度的特征图，感知语义边缘特征；根据通道顺序，将解码网络的特征图和语义边缘特征进行连接，以获得解析的服装图像，并对解析的服装图像分别进行测试和评估；本发明可以在不利用扩大感受野获取多尺度信息和额外添加分支的情况下恢复在编码过程中丢失的空间细节信息，提升服装解析时的解析精度。

技术领域

本发明涉及服装解析的技术领域，尤其涉及一种基于特征融合网络模型的服装解析方法。

背景技术

近年来，编解码网络被广泛应用于服装解析，编解码网络中存在由于重复的下采样操作操作导致分辨率的显著降低和大量空间信息的丢失，而解码网络不能准确恢复丢失的细粒度细节信息的问题。已有服装解析算法通过添加一个侧分支用来提取超像素特征注入到解码器，解决了解码网络不能很好地恢复在编码网络中丢失的大量细节信息的问题，但是在实际应用中，由于服装图像具有纹理复杂、款式多样和人体姿态多变等特点。解析准确度还有待提升。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于特征融合网络模型的服装解析方法，能够解决解码网络不能准确恢复编码网络丢失的细粒度细节信息的问题。

为解决上述技术问题，本发明提供如下技术方案：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，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；利用编码网络提取高层次特征图；而后通过特征融合网络模块将高层次特征图和低层次特征图进行融合；根据通道顺序连接不同尺度的特征图，感知语义边缘特征；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；其中，所述特征融合网络模型包括边缘感知网络和多级融合网络，在特征融合网络通过特征融合模块(100)对高层次特征图和低层次特征图进行融合，而后在边缘感知网络中利用Res1、Res3和Res5三个分支提取精细化的边缘特征来弥补编码网络下采样过程中丢失的细节信息；特征融合网络模型通过添加语义损失函数监督语义边缘特征的学习。

作为本发明所述的基于特征融合网络模型的服装解析方法的一种优选方案，其中：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。

作为本发明所述的基于特征融合网络模型的服装解析方法的一种优选方案，其中：所述特征融合网络模型包括边缘感知网络和多级融合网络。

作为本发明所述的基于特征融合网络模型的服装解析方法的一种优选方案，其中：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。