基于改进WGAN的服装属性编辑方法与流程

技术特征：
1.一种基于改进wgan的服装属性编辑方法，分为训练阶段和测试阶段，所示训练阶段采用监督学习的方式优化；所示测试阶段采用已收敛的网络进行服装属性生成；其特征在于，具体包括如下步骤：步骤1：在训练阶段，首先采集各种款式的服装构建服装数据集，然后对每一个服装样本进行属性标注；所述属性包括袖长、颜色、衣领三种初粒度属性；步骤2：将带属性标注的训练数据输入生成对抗网络进行训练。2.根据权利要求1所述的基于改进wgan的服装属性编辑方法，其特征在于，步骤2所述生成对抗网络由生成网络和判别网络两部分组成；所述生成网络包括生成器和解码器，其用于从训练数据中学习服装的属性特征，在正态分布上基于学到的特征表达重建输入服装数据；所述判别网络由解码器与判别器两部分组成；所述判别网络的解码器与所述生成网络的解码器共享权重，其基于生成网络重建出虚假服装数据，然后将其与原始数据标注输入给判别器分析判别；所述生成网络和所述判别网络维持纳什平衡。3.根据权利要求1所述的基于改进wgan的服装属性编辑方法，其特征在于，所述袖长、颜色、衣领三种初粒度属性包括高领、v字领、圆领、红、橙、黄、绿、青、蓝、紫、长袖、半袖、短袖、无袖等14个细粒度属性。4.根据权利要求3所述的基于改进wgan的服装属性编辑方法，其特征在于，所述步骤1包括如下具体步骤：首先采集各种款式的服装构建 服装数据集x，然后对每一个服装样本进行属性标注；衣领属性标注分为高领、v字领、圆领；颜色属性标注为红、橙、黄、绿、青、蓝、紫；袖长属性标注为长袖、半袖、短袖、无袖。5.根据权利要求4所述的基于改进wgan的服装属性编辑方法，其特征在于，所述步骤2包括如下具体步骤：将带标注的训练数据x0输入生成对抗网络z进行训练；该生成对抗网络z由生成网络和判别网络两部分组成；生成网络包括生成器genc和解码器gdec，其用于从训练数据中学习服装的属性特征，然后在正态分布上基于学到的特征表达重建输入服装数据x0，得到重建图片x1；生成网络基于重建图片与原始输入样本计算重建损失l，重建损失函数如下式所示：其中，生成网络通过最小化重建损失l来优化生成网络的重建效果；判别网络由解码器gdec与判别器c、判别器d组成；所述判别网络的解码器gdec与生成网络的解码器gdec共享权重，其基于生成网络z重建出虚假服装数据x2，然后将x2、原始数据x0以及对应标注输入给判别器d判别。6.根据权利要求5所述的基于改进wgan的服装属性编辑方法，其特征在于，所述判别器d先学习输入数据的特征来判别输入图片是真实样本x0还是重建的假样本x2，然后通过交叉熵损失函数进行优化；所述判别器c更加细粒度的判别输入的假样本数据x2中生成了哪些类别的属性，然后与真实样本x0的属性比较；同样通过交叉熵损失函数进行优化，让生成器生成的属性逼近真实样本。7.根据权利要求6所述的基于改进wgan的服装属性编辑方法，其特征在于，所述判别器
d采用粗粒度判别器判别生成数据真假，所述判别器c采用细粒度判别器判别假样本属性。8.根据权利要求7所述的基于改进wgan的服装属性编辑方法，其特征在于，在wagn基础上对生成器的解码网络增加跨连接的残差结构。9.根据权利要求8所述的基于改进wgan的服装属性编辑方法，其特征在于，建立整体损失函数，所述整体损失函数由重建损失l，真假判别损失loss0与属性损失att
loss
三部分组成，如下式所示：根据权利要求9所述的基于改进wgan的服装属性编辑方法，其特征在于，将生成网络z的权重冻结，然后输入不带属性标签的服装图片，改进网络生成出新的具有新属性的服装款式，实现服装智能编辑目标。

技术总结
本发明属于计算机视觉领域，公开了一种基于改进WGAN的服装属性编辑方法。该方法可以基于现有服装属性生成新的服装属性，达到智能化服装辅助设计的目标。相对于原始WGAN网络，本发明对生成器的解码网络增加了跨连接的残差结构。残差结构可以提升梯度流通性，融合浅层特征，缓解梯度消失问题；其次，在WGAN原始损失函数的基础上，本发明在重建损失上增加了L2范数项,其主要优势在于使梯度更加平滑，可以缓解梯度消失和梯度爆炸问题。通过对网络结构以及损失函数的优化，使得WGAN拥有比之前更优秀的效果。本发明具有端到端快速生成、生成属性多、效果好的特点。效果好的特点。效果好的特点。


技术研发人员：张建明 王文靖 王志坚
受保护的技术使用者：余姚市浙江大学机器人研究中心
技术研发日：2021.07.30
技术公布日：2021/12/13