基于深度学习的服饰属性标签识别技术

在对深度学习领域和神经网络结构深入探究及理解基础之上，针对现有方法大都基于服饰整体而忽略服

服饰款式的区分主要依据轮廓，以及不同的内部形状、长度，但不包括衣服的材质、色彩等等。互联网技术突飞猛进，图像分辨率不断提高，数据呈爆发式增长，由于人工区分效率低、误差大，从而激发了图像识别技术的快速发展。在服饰领域，现有方法大都基于服饰整体进行处理识别而忽略细节部位特征[1]；通常服装图像的常规表示方法，并不能从整体层面展示出服装本身所具备的所有有效特征；并且人工标注的低效性，以及主观上的判断不同，会产生一些不可避免的误差，这都会导致用户不能获得精准的检索[2]，使得用户体验不佳，尤其在服饰检索领域。本文的重点就是对服饰图像特征进行细粒度的提取，并对其进行快速的高效分类。

使用图像中提取的有效信息组成所需的特征。目前，基于深度学习的方法在图像特征提取[3]方面正大放光彩。Wang X. C.等[4]能够根据服装实物图数据中完成服装款式的识别，使用模糊理论将款式轮廓点自动分类，主要是针对服饰局部轮廓进行识别，不是服饰的整体轮廓。Cheng Ci [5]等提取形状特征， 是使用边缘检测技术及颜色特征，来展示服装款式信息从而完成分类，实现图像检索功能。近年来，出现了很多解析人物着装的研究，使用不同的颜色分割标记出人物穿着的不同区域，为提取穿着在人物身上的服装信息扫除了障碍[6] [7]；同时多特征融合的服装分类识别领域的学术研究比较多。

Zhang H.等[8]提出对于具有差异性的服装款式， 可以从中提出不同的特征来完成分类。

Bossard 等[9]则充分利用了服饰本身的大体轮廓，以及直观的视觉效应，将服饰图像划分为等大小的密集网格，并进一步提取各网格中的材质、色彩等特征，最后结合双模型方法来组合成最终的特征表示。

在对深度学习领域和神经网络结构深入探究及理解基础之上，为解决现今服饰图像领域识别分类精度较低的难题，本文设计并实现一种基于深度学习的服装属性标签识别方法。采用深度卷积神经网络从数据集中自动提取并学习服饰的局部属性特征，实现服饰图像分类的分析建模，完成服饰属性标签的快速高精准分类。此方法可以在众多领域应用，如服装款式的识别及查找、服装的搭配组合、搭配推荐， 还可以结合人脸识别技术，应用于人员查找追踪。

2. 理论与方法 2.1. 卷积神经网络 卷积神经网络的使用在图像识别任务中尤为重要，本文所用的Inception 结构来源于GoogLeNet，