前言:想要寫出一篇引人入勝的文章?我們特意為您整理了智能化服裝搭配推薦系統(tǒng)研究范文,希望能給你帶來靈感和參考,敬請(qǐng)閱讀。
摘要:在現(xiàn)階段,智能技術(shù)的發(fā)展速度持續(xù)加快,針對(duì)用戶實(shí)際需求展開的研究也在深入開展,從服裝行業(yè)的現(xiàn)狀來看,如何將人工智能技術(shù)與服裝時(shí)尚予以結(jié)合成為關(guān)注的重點(diǎn)。智能化服裝搭配推薦系統(tǒng)的應(yīng)用可以使用戶在穿衣搭配方面的需求得到切實(shí)滿足,這樣就可節(jié)約大量的時(shí)間、精力。隨著人工智能、機(jī)器學(xué)習(xí)等技術(shù)的成熟,為智能化服裝搭配系統(tǒng)奠定了堅(jiān)實(shí)的基礎(chǔ)。本文針對(duì)當(dāng)下已經(jīng)得到應(yīng)用的智能化服裝搭配推薦系統(tǒng)展開深入探析,對(duì)基礎(chǔ)算法、關(guān)鍵技術(shù)等予以詳細(xì)闡述,進(jìn)而尋找到未來的研究方向,使服裝搭配推薦系統(tǒng)能夠更具個(gè)性化,綜合功能大幅提高,并帶來更為理想的效益。
關(guān)鍵詞:智能化;服裝搭配;推薦;進(jìn)展
引言
在當(dāng)前時(shí)期,服裝行業(yè)呈現(xiàn)出加快的發(fā)展趨勢(shì),服裝的品牌、種類大幅增加,產(chǎn)生的服裝數(shù)據(jù)也就更多,如何對(duì)服裝進(jìn)行合理搭配,成為廣大用戶的內(nèi)在需求。對(duì)智能服裝搭配技術(shù)加以利用可以使得一般用戶在短時(shí)間尋找最為適合的服裝。然而在服裝數(shù)據(jù)變得更為繁雜之際,如果依然采用傳統(tǒng)方法的話,準(zhǔn)確度就難以得到保證。通過深度學(xué)習(xí)技術(shù)則能夠使得問題有效解決,確保用戶在服裝搭配方面的實(shí)際需求得到真正滿足。
1服裝搭配推薦基礎(chǔ)算法
1.1低層傳統(tǒng)特征提取算法
(1)在對(duì)服裝圖像信息進(jìn)行檢測,將其特征予以呈現(xiàn)的過程中,全局特征提取算法的適用性是較高的。對(duì)此種算法予以分析可知,其主要包括三類,其一是形狀特征,也就是對(duì)服裝外輪廓進(jìn)行提取,進(jìn)而將其款式予以確定,比方說通過卷積運(yùn)算就能夠獲得目標(biāo)輪廓,進(jìn)而做好初始圖像的處理,將輪廓線之外存在的干擾部分予以去除,這樣就能夠獲取特征矩陣,如此就可將目標(biāo)圖像區(qū)域切實(shí)提取出來。其二是紋理特征,也就是對(duì)存在于服務(wù)圖像表面的不同紋路進(jìn)行提取,進(jìn)而對(duì)面料特點(diǎn)加以識(shí)別。比方說,可對(duì)局部二值模式予以應(yīng)用,即是對(duì)圖像予以分割處理,獲得一定數(shù)量的子區(qū)域,進(jìn)而對(duì)每個(gè)區(qū)域當(dāng)中的中心像素、相鄰像素間存在的對(duì)比信息予以提取,如此就能夠完成統(tǒng)計(jì)直方圖的構(gòu)建,這樣就能夠?qū)y理特征進(jìn)行描述。其三是顏色特征,也就是利用顏色信息來達(dá)成識(shí)別目的,在對(duì)顏色特征予以表達(dá)時(shí),顏色直方圖是可行的方法,在將常用顏色空間予以確定之后,對(duì)服裝圖像當(dāng)中的各個(gè)像素點(diǎn)進(jìn)行統(tǒng)計(jì),如此就可對(duì)顏色分布有切實(shí)的了解,而且在魯棒性方面有著明顯的優(yōu)勢(shì)。(2)通過局部特征可以將圖像存在的局部特性清晰呈現(xiàn)出來,因而在進(jìn)行圖像匹配、圖像檢索時(shí),其具有良好的適用性。和全局特征進(jìn)行比較可知,局部特征之間并不存在緊密的相關(guān)性,即使圖像存在缺損,對(duì)其他特征的匹配并不會(huì)產(chǎn)生影響。對(duì)局部特征提取算法予以分析可知,其呈現(xiàn)出較強(qiáng)的魯棒性,確保部分干擾能夠切實(shí)消除,這樣就可使得特征提取順利完成。從當(dāng)下圖像局部提取的現(xiàn)狀來看,尺度不變,特征變化算法的應(yīng)用是較為常見的,從旋轉(zhuǎn)干擾、亮度干擾、噪聲干擾等方面來看,其魯棒性是非常高的,除此以外,高效性、擴(kuò)展性等方面的優(yōu)勢(shì)也是明顯的。
1.2高級(jí)語義特征提取算法
(1)基于卷積神經(jīng)網(wǎng)絡(luò)的特征提取法。在對(duì)此種算法予以應(yīng)用時(shí),輸入服裝圖像之后就能夠獲得結(jié)果,和傳統(tǒng)方法進(jìn)行比較可知,不需要進(jìn)行預(yù)處理,也不必展開特征篩選。從當(dāng)下圖像識(shí)別的現(xiàn)狀來看,CNN的運(yùn)用是較為普遍的,其擁有的識(shí)別功能較為突出,然而想要保證CNN模型的作用真正發(fā)揮出來,必須要做好圖像訓(xùn)練,一旦數(shù)據(jù)不足,或者是網(wǎng)絡(luò)深度達(dá)不到要求,那么出現(xiàn)過擬合、欠擬合的幾率就會(huì)大幅增加。比方說,為了達(dá)成服裝圖像分類目標(biāo),對(duì)深度CNN模型予以構(gòu)建時(shí)應(yīng)該要確保卷積層、池化層、連接層的數(shù)量能夠滿足實(shí)際需要,確保能夠?qū)⒏呒?jí)語義特征切實(shí)提取出來,對(duì)輸出含義進(jìn)行學(xué)習(xí),如此就可對(duì)服裝款式進(jìn)行合理分類。(2)基于循環(huán)神經(jīng)網(wǎng)絡(luò)的特征提取算法。采用此種算法可以對(duì)服裝單品序列數(shù)據(jù)予以充分利用,實(shí)現(xiàn)對(duì)序列外形特征的有效處理。對(duì)時(shí)序信息進(jìn)行處理時(shí),RNN的優(yōu)勢(shì)是明顯的,將序列特征數(shù)據(jù)予以輸入之后,就可實(shí)現(xiàn)遞歸目的,全部循環(huán)單位均可實(shí)現(xiàn)鏈?zhǔn)竭B接。比方說,進(jìn)行時(shí)尚單品相關(guān)性建模時(shí),可對(duì)RNN長短期記憶加以應(yīng)用,也就是通過InceptionV3卷積網(wǎng)絡(luò)就能夠?qū)D像特征向量予以明確,將其輸入雙向LSTM就能夠獲取單品序列,如此就可完成特征向量關(guān)系的提煉,如此一來,在對(duì)套裝予以推薦時(shí)就可確保單品風(fēng)險(xiǎn)是大致相同的。(3)基于深度信念網(wǎng)絡(luò)的特征提取算法。在對(duì)此種算法予以應(yīng)用時(shí),訓(xùn)練是需要重點(diǎn)關(guān)注的,先是無監(jiān)督學(xué)習(xí),繼而展開有監(jiān)督學(xué)習(xí),如此可以使得模型具有的特征提取能力大幅提升。即使標(biāo)注數(shù)據(jù)不足,此種算法一日按可以完成特征提取,但在應(yīng)用過程中要保證服裝圖像的尺寸是相對(duì)固定的,而且數(shù)據(jù)處理需要投入大量的時(shí)間[1]。
2服裝搭配推薦關(guān)鍵技術(shù)
2.1套裝圖像分割技術(shù)
人臉檢測技術(shù)。先要對(duì)模特面部進(jìn)行檢測,確定長、寬,繼而依據(jù)既定的假設(shè)完成上裝、下裝的分割。此種技術(shù)存在明顯的局限,高腰褲、低腰群之類的款式無法加以應(yīng)用。FasterR-CNN算法。先要通過人工方式對(duì)圖像當(dāng)中的上裝、下裝區(qū)域進(jìn)行標(biāo)注,繼而對(duì)模型進(jìn)行訓(xùn)練,確保能夠?qū)ο嚓P(guān)的語義信息能夠有切實(shí)的了解,這樣就能夠使得上裝、下裝能夠切實(shí)區(qū)別開來。將圖像檢測所得結(jié)果作為依據(jù),將圖像區(qū)域的置信度得分予以明確,得分最高確定為目標(biāo)服裝區(qū)域。此種技術(shù)的優(yōu)勢(shì)是明顯的,和初代R-CNN予以比較可知,對(duì)單張圖像進(jìn)行檢測的時(shí)間只需要0.2s,而且精度有大幅提升,評(píng)價(jià)精度能夠達(dá)到66.9000。完成套裝圖像分割,接下來的訓(xùn)練就可圍繞目標(biāo)區(qū)域展開,如此能夠保證模型預(yù)算效益大幅提高[2]。
2.2智能化服裝搭配模型
生成式對(duì)抗網(wǎng)絡(luò)。其主要由生成器、鑒別器構(gòu)成,前者可以實(shí)現(xiàn)服裝圖像的生成,而后者則能夠?qū)D像的真實(shí)性予以辨別。在進(jìn)行訓(xùn)練時(shí),生成器要對(duì)服裝圖像予以合成,鑒別器則區(qū)分圖像,在獲得鑒別結(jié)果之后,生成器自動(dòng)完成改進(jìn)工作,這樣就可獲得新圖像,當(dāng)生成器不再進(jìn)行自動(dòng)改進(jìn),而且鑒別器確定不存在虛擬圖像時(shí),就可獲得所需圖像。孿生卷積神經(jīng)網(wǎng)絡(luò)。其包括兩個(gè)子網(wǎng)結(jié)構(gòu),而且共享權(quán)值、架構(gòu)是完全相同的,對(duì)兩個(gè)輸入予以分別映射,如果無法對(duì)權(quán)值予以共享的話,則是偽孿生神經(jīng)網(wǎng)絡(luò)。需要進(jìn)行判別的服裝直接輸入到網(wǎng)絡(luò)之后,就可對(duì)服裝搭配予以逐層輸出,進(jìn)而對(duì)結(jié)果進(jìn)行準(zhǔn)確判斷[3]。
3服裝搭配推薦的個(gè)性化發(fā)展
3.1基于TPO的搭配推薦
對(duì)此種個(gè)性化推薦予以分析可知,其是將和具體著裝場景相適合的TPO規(guī)則作為依據(jù),確保用戶的個(gè)性需求能夠得到切實(shí)滿足。其中需要重點(diǎn)關(guān)注的步驟如下,一是要從著裝場景出發(fā),對(duì)服裝的風(fēng)格、面料、款式等予以細(xì)致劃分;二是在進(jìn)行推薦時(shí),將TPO規(guī)則、協(xié)同過濾、關(guān)聯(lián)規(guī)則等的基礎(chǔ)作用展現(xiàn)出來。
3.2基于用戶偏好的搭配推薦
對(duì)此種個(gè)性化推薦予以分析可知,歷史購買記錄、評(píng)價(jià)記錄等是主要的依據(jù),這樣可以保證用戶對(duì)品位的追求得到滿足,保證搭配規(guī)則不變的情況下,使得服裝推薦能夠和用戶興趣相符。此外可以通過用戶的社交圈進(jìn)行推薦,也就是對(duì)喜好大致相同者的搭配予以推薦。這里需要指出的是,其是將低層傳統(tǒng)特征作為推薦依據(jù),而高級(jí)語義屬性則無法發(fā)揮出效用,因而推薦結(jié)果并不新穎,而且多樣性明顯不足。從關(guān)鍵步驟來看,需要重視的如下,一是要對(duì)用戶瀏覽、購買的相關(guān)數(shù)據(jù)進(jìn)行收集;二是采用過濾算法。
3.3基于用戶特征的搭配推薦
此類個(gè)性化推薦依據(jù)著裝過程中合體、或有顯瘦、遮肉等其他需求,以用戶體型細(xì)部特征與服裝款式間的對(duì)應(yīng)關(guān)系作為基礎(chǔ),為用戶推薦適合其體型的搭配。其關(guān)鍵步驟主要包括:一是根據(jù)用戶膚色、性別、身型,及臉型等劃分為不同類別;二是通過與服裝專家訪談得到適合不同人體特征的服裝規(guī)則知識(shí);三是通過體型與款式間的映射確定體型和服裝款式之間的對(duì)應(yīng)關(guān)系從而實(shí)現(xiàn)推薦[4]。
4結(jié)語
從國內(nèi)外對(duì)智能化服裝搭配推薦相關(guān)研究現(xiàn)狀可見,提升推薦系統(tǒng)精準(zhǔn)度是當(dāng)前此領(lǐng)域的研究熱點(diǎn)與重點(diǎn),已取得了較多研究成果。考慮個(gè)性化的服裝搭配研究仍處于起步階段,今后在對(duì)服裝搭配推薦的研究中將智能化與個(gè)性化結(jié)合,使推薦結(jié)果具備優(yōu)良精準(zhǔn)度和多樣性的同時(shí)滿足用戶需求,綜合提升搭配推薦效益,在實(shí)際應(yīng)用中具有重要意義。
參考文獻(xiàn)
[1]楊怡然,吳巧英.智能化服裝搭配推薦研究進(jìn)展[J].浙江理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2021,45(01):1-12.
[2]紀(jì)丹丹,戴宏欽.服裝搭配方法研究綜述[J].現(xiàn)代絲綢科學(xué)與技術(shù),2020,35(04):31-35.
[3]張澤堃,張海波.服裝智能搭配研究現(xiàn)狀綜述[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用,2019(10):128-130.
[4]高鑫.服裝智能搭配系統(tǒng)[J].黑龍江科技信息,2015(34):85.
作者:畢曉晏 單位:山東服裝職業(yè)學(xué)院