技术新讯 > 计算推算,计数设备的制造及其应用技术 > 一种基于自聚集与防坍塌目标的无监督服装识别方法与流程  >  正文

一种基于自聚集与防坍塌目标的无监督服装识别方法与流程

  • 国知局
  • 2024-09-14 14:37:05

本发明涉及自动服装识别,尤其涉及一种基于自聚集与防坍塌目标的无监督服装识别方法。

背景技术:

1、服装识别技术领域是一个结合了计算机视觉、深度学习和物联网等多种技术的综合应用技术。在现代服装行业中,自动服装识别技术的需求日益增长,尤其在电子商务和智能零售等领域。这些技术的核心在于能够自动检测准确识别和分类不同类型的服装图像,提高物流效率和用户购物体验。然而传统的服装识别技术在使用过程中存在一定的局限性如数据依赖性强、泛化能力有限、更新迭代成本高等。为此,经研究探索使用了如下方法来减少对标注数据的依赖,但仍然存在缺陷。

2、自监督学习:这种方法通过生成伪标签来训练模型,例如使用图像的一部分来预测另一部分或对图像进行简单的变换后预测变换的类型。尽管这种方法在一定程度上减轻了对标注数据的依赖,但其在特定服装识别任务上的精确度和实用性仍有限。

3、对抗性生成网络gans:利用生成对抗的方式提升图像的多样性和质量。通过这种方式,模型学习生成足够真实的服装图像,从而提高识别系统对新样本的适应能力。然而,对抗性生成网络gans的训练过程通常不稳定,且需要大量的计算资源。

4、聚类和特征学习:某些方法通过聚类技术直接在特征空间中对图像进行分组,尝试发现图像间的潜在关系而无需标签。这种方法在某些情况下能够提供有用的洞察,但对于复杂的服装属性和细粒度的分类任务,它的效果往往不够理想。

技术实现思路

1、针对上述现有技术的缺点,本发明的目的是提供一种基于自聚集与防坍塌目标的无监督服装识别方法,以解决现有技术中的一个或多个问题。

2、为实现上述目的,本发明的技术方案如下:

3、一种基于自聚集与防坍塌目标的无监督服装识别方法,其特征在于包括以下步骤:

4、数据收集;

5、变换输入;

6、自聚集与防坍塌目标训练;

7、时间系列集成优化;

8、模型应用。

9、进一步的,所述变换输入包括以下步骤:

10、定义变换函数t;

11、引申变换函数t为复合函数。

12、进一步的,所述定义变换函数t定义式如下式所示:

13、t(x,θ)=x'

14、式中:x为原始图像;θ为包含多个变换参数的向量,如旋转角度、缩放比例、颜色调整参数等;x'为变换后的图像。

15、进一步的,所述引申变换函数t为复合函数定义式如下式所示:

16、t(x,θ)=c(s(r(x,θ_r),s),c)

17、式中:r(x,θ_r)为旋转,代表图像按照角度θ_r进行旋转;s(x,s)为缩放,代表图像按照比例s进行缩放;c(x,c)为颜色调整,代表调整图像的颜色参数,如亮度、对比度等,参数为c。

18、进一步的,所述自聚集目标训练的核心是最小化批次中同类图像特征之间的平均距离来促进类内紧凑性,公式如下式所示:

19、l_cluster=(1/n)*sum(sum((f(x_i)-f(x_j))2))

20、式中:l_cluster为损失函数;f(x)为图像x的特征表示,由模型的特征提取部分输出;x_i和x_j为同一类别中的图像对;n为在一个批次中的图像总数,用于平均损失。

21、进一步的,所述防坍塌目标核心是通过促进特征的多样性和分散性来防止模型在训练过程中陷入局部最优解,公式如下式所示:

22、l_diversity=-log(det(c+epsilon))

23、式中:l_diversity为一个特定的损失函数;c为特征的协方差矩阵;epsilon为一个常数;det(c+epsilon)为计算调整后的协方差矩阵的行列式。

24、进一步的,所述时间系列集成优化用于增强模型的学习效率和适应能力,公式如下式所示:

25、θ_t+1=θ_t-α*grad(l(θ_t))

26、式中:θ_t为第t阶段的模型参数;θ_t+1为第t+1阶段的模型参数;α为学习率;l为损失函数;grad(l(θ_t)为在第t阶段损失函数l关于参数θ的梯度。

27、进一步的,所述模型应用包括以下步骤:

28、特征提取;

29、聚类中心比较;

30、类别判定。

31、进一步的,所述聚类中心比较公式如下式所示:

32、d_k=sqrt(sum((f(x)-c_k)2))

33、式中:d_k是输入图像特征向量f(x)与第k个聚类中心c_k之间的欧几里得距离。

34、进一步的,所述类别判定的公式如下式所示:

35、label(x)=argmin(d_k)

36、式中:label(x)为待输入图像确定的类别标签;argmin(d_k)即代表操作寻找那个能使d_k最小的k值。

37、与现有技术相比,本发明的有益技术效果如下:

38、(一)本发明采用了自聚集目标和防坍塌目标的联合优化策略。自聚集目标促使模型学习将视觉上相似的未标注服装图像聚集在一起,从而增强类内的紧密性;而防坍塌目标则通过推动模型探索在特征空间中未充分利用的区域,防止模型过分依赖于某些频繁出现的特征,从而提高特征的多样性。这种联合训练策略显著减少了对精确标注数据的依赖,同时通过优化特征的覆盖范围和分散性,提高了模型在未知数据上的泛化能力。

39、(二)引入时间序列集成优化方法,使得模型在每个训练阶段的参数调整都基于前一阶段的性能反馈进行。这种动态调整策略允许模型根据实时数据和长期表现来连续优化其学习过程。这一策略有效应对了时尚行业中趋势快速变化的问题,使模型能够适应新的服装类型和客户偏好,增强了模型的适应性和灵活性,减少了因季节更换或时尚趋势变化而进行大规模数据重新标注和模型重训的需要。

40、(三)在数据预处理阶段,对原始图像进行一系列的变换,包括但不限于旋转、缩放、颜色调整等,以模拟多种拍摄条件下的视觉效果。这种方法增加了训练数据的多样性,模拟了实际应用中可能遇到的各种情况。通过扩展模型在不同视觉条件下的训练数据,本创新点直接增强了模型对新环境和复杂背景下的服装识别能力,提高了模型的泛化能力,确保了在实际应用中的高准确率和鲁棒性。

技术特征:

1.一种基于自聚集与防坍塌目标的无监督服装识别方法,其特征在于包括以下步骤:

2.如权利要求1所述的一种基于自聚集与防坍塌目标的无监督服装识别方法,其特征在于所述变换输入包括以下步骤:

3.如权利要求2所述的一种基于自聚集与防坍塌目标的无监督服装识别方法,其特征在于所述定义变换函数t定义式如下式所示:

4.如权利要求3所述的一种基于自聚集与防坍塌目标的无监督服装识别方法,其特征在于所述引申变换函数t为复合函数定义式如下式所示:

5.如权利要求1所述的一种基于自聚集与防坍塌目标的无监督服装识别方法,其特征在于所述自聚集目标训练的核心是最小化批次中同类图像特征之间的平均距离来促进类内紧凑性,公式如下式所示:

6.如权利要求5所述的一种基于自聚集与防坍塌目标的无监督服装识别方法,其特征在于所述防坍塌目标核心是通过促进特征的多样性和分散性来防止模型在训练过程中陷入局部最优解,公式如下式所示:

7.如权利要求1所述的一种基于自聚集与防坍塌目标的无监督服装识别方法,其特征在于所述时间系列集成优化用于增强模型的学习效率和适应能力,公式如下式所示:

8.如权利要求1所述的一种基于自聚集与防坍塌目标的无监督服装识别方法,其特征在于所述模型应用包括以下步骤:

9.如权利要求8所述的一种基于自聚集与防坍塌目标的无监督服装识别方法,其特征在于所述聚类中心比较公式如下式所示:

10.如权利要求9所述的一种基于自聚集与防坍塌目标的无监督服装识别方法,其特征在于所述类别判定的公式如下式所示:

技术总结本发明涉及一种基于自聚集与防坍塌目标的无监督服装识别方法,一种基于自聚集与防坍塌目标的无监督服装识别方法,其特征在于包括以下步骤:数据收集;变换输入;自聚集与防坍塌目标训练;时间系列集成优化;模型应用。本发明采用了自聚集目标和防坍塌目标的联合优化策略。自聚集目标促使模型学习将视觉上相似的未标注服装图像聚集在一起,从而增强类内的紧密性;而防坍塌目标则通过推动模型探索在特征空间中未充分利用的区域,防止模型过分依赖于某些频繁出现的特征,从而提高特征的多样性。这种联合训练策略显著减少了对精确标注数据的依赖,同时通过优化特征的覆盖范围和分散性,提高了模型在未知数据上的泛化能力。技术研发人员:张丽秋,吕楠,高超受保护的技术使用者:江苏慧眼数据科技股份有限公司技术研发日:技术公布日:2024/9/12

本文地址:https://www.jishuxx.com/zhuanli/20240914/295062.html

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。