提出了一個基于關(guān)鍵點注意力機制與通道注意力機制相結(jié)合的深度神經(jīng)網(wǎng)絡,用于解決服裝關(guān)鍵點檢測、類別分類和屬性預測等3個方面的問題。網(wǎng)絡通過對輸入特征圖進行卷積提取特征、反卷積恢復特征圖大小以及加入非局部連接結(jié)構(gòu)獲得關(guān)鍵點之間的聯(lián)系等一系列操作來預測服裝關(guān)鍵點,進而得到關(guān)鍵點注意力。關(guān)鍵點注意力模塊強調(diào)了服裝中有辨別性區(qū)域的特征,進而得到新的特征圖。此外,通道注意力模塊增加了對分類和屬性預測影響更大的特征圖的權(quán)重。在DeepFashion數(shù)據(jù)集上的實驗結(jié)果表明:本文方法較當前已有方法有效提高了類別分類的準確率和屬性預測的召回率。 

【文章來源】：吉林大學學報(工學版). 2020,50(05)北大核心EICSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

關(guān)鍵點檢測，類別分類和屬性預測

本文網(wǎng)絡的總體結(jié)構(gòu)

圖3為關(guān)鍵點檢測的可視化結(jié)果，圖4為服裝類別分類和屬性預測的部分結(jié)果。對于關(guān)鍵點檢測，本文與文獻[1,2,14,3]方法作對比，實驗結(jié)果如表1所示。對于類別分類和屬性預測，本文與文獻[1,15-17,3]方法作對比，實驗結(jié)果如表2所示，可見，本文模型在服裝分類和屬性預測上獲得了顯著的提高，特別是對于屬性預測，top-3和top-5召回率較當前最新方法提高了1%。在收斂速度上，第4個回合后，網(wǎng)絡已經(jīng)收斂，與文獻[3]相比，提高了訓練效率。在關(guān)鍵點檢測上，對于左、右下擺位置的預測得到了一定的提高。本文研究的主要目標是預測服裝的類別和屬性，在實際應用中給網(wǎng)絡上的服裝圖片添加詳細的描述，為用戶可以利用關(guān)鍵詞搜索提供基礎。預測關(guān)鍵點位置只是服裝類別分類和屬性預測的一個輔助模塊，網(wǎng)絡要提取的是一個小的局部區(qū)域的特征，因此雖然關(guān)鍵點位置預測的結(jié)果不夠精確，但仍然會獲得其所在的有顯著辨別性的局部區(qū)域，也就是說關(guān)鍵點注意力模塊對提高類別和屬性預測準確率有所幫助。圖4 服裝分類和屬性預測結(jié)果

【參考文獻】：
期刊論文
[1]光學遙感圖像艦船目標快速檢測方法[J]. 董超,劉晶紅,徐芳,王仁浩.  吉林大學學報(工學版). 2019(04)
[2]基于空域和頻域的圖像顯著區(qū)域檢測[J]. 紀超,劉慧英,孫景峰,賀勝,黃民主.  吉林大學學報(工學版). 2014(01)



本文編號：3597653