前言:想要写出一篇引人入胜的文章?我们特意为您整理了智能化服装搭配推荐系统研究范文,希望能给你带来灵感和参考,敬请阅读。
摘要:在现阶段,智能技术的发展速度持续加快,针对用户实际需求展开的研究也在深入开展,从服装行业的现状来看,如何将人工智能技术与服装时尚予以结合成为关注的重点。智能化服装搭配推荐系统的应用可以使用户在穿衣搭配方面的需求得到切实满足,这样就可节约大量的时间、精力。随着人工智能、机器学习等技术的成熟,为智能化服装搭配系统奠定了坚实的基础。本文针对当下已经得到应用的智能化服装搭配推荐系统展开深入探析,对基础算法、关键技术等予以详细阐述,进而寻找到未来的研究方向,使服装搭配推荐系统能够更具个性化,综合功能大幅提高,并带来更为理想的效益。
关键词:智能化;服装搭配;推荐;进展
引言
在当前时期,服装行业呈现出加快的发展趋势,服装的品牌、种类大幅增加,产生的服装数据也就更多,如何对服装进行合理搭配,成为广大用户的内在需求。对智能服装搭配技术加以利用可以使得一般用户在短时间寻找最为适合的服装。然而在服装数据变得更为繁杂之际,如果依然采用传统方法的话,准确度就难以得到保证。通过深度学习技术则能够使得问题有效解决,确保用户在服装搭配方面的实际需求得到真正满足。
1服装搭配推荐基础算法
1.1低层传统特征提取算法
(1)在对服装图像信息进行检测,将其特征予以呈现的过程中,全局特征提取算法的适用性是较高的。对此种算法予以分析可知,其主要包括三类,其一是形状特征,也就是对服装外轮廓进行提取,进而将其款式予以确定,比方说通过卷积运算就能够获得目标轮廓,进而做好初始图像的处理,将轮廓线之外存在的干扰部分予以去除,这样就能够获取特征矩阵,如此就可将目标图像区域切实提取出来。其二是纹理特征,也就是对存在于服务图像表面的不同纹路进行提取,进而对面料特点加以识别。比方说,可对局部二值模式予以应用,即是对图像予以分割处理,获得一定数量的子区域,进而对每个区域当中的中心像素、相邻像素间存在的对比信息予以提取,如此就能够完成统计直方图的构建,这样就能够对纹理特征进行描述。其三是颜色特征,也就是利用颜色信息来达成识别目的,在对颜色特征予以表达时,颜色直方图是可行的方法,在将常用颜色空间予以确定之后,对服装图像当中的各个像素点进行统计,如此就可对颜色分布有切实的了解,而且在鲁棒性方面有着明显的优势。(2)通过局部特征可以将图像存在的局部特性清晰呈现出来,因而在进行图像匹配、图像检索时,其具有良好的适用性。和全局特征进行比较可知,局部特征之间并不存在紧密的相关性,即使图像存在缺损,对其他特征的匹配并不会产生影响。对局部特征提取算法予以分析可知,其呈现出较强的鲁棒性,确保部分干扰能够切实消除,这样就可使得特征提取顺利完成。从当下图像局部提取的现状来看,尺度不变,特征变化算法的应用是较为常见的,从旋转干扰、亮度干扰、噪声干扰等方面来看,其鲁棒性是非常高的,除此以外,高效性、扩展性等方面的优势也是明显的。
1.2高级语义特征提取算法
(1)基于卷积神经网络的特征提取法。在对此种算法予以应用时,输入服装图像之后就能够获得结果,和传统方法进行比较可知,不需要进行预处理,也不必展开特征筛选。从当下图像识别的现状来看,CNN的运用是较为普遍的,其拥有的识别功能较为突出,然而想要保证CNN模型的作用真正发挥出来,必须要做好图像训练,一旦数据不足,或者是网络深度达不到要求,那么出现过拟合、欠拟合的几率就会大幅增加。比方说,为了达成服装图像分类目标,对深度CNN模型予以构建时应该要确保卷积层、池化层、连接层的数量能够满足实际需要,确保能够将高级语义特征切实提取出来,对输出含义进行学习,如此就可对服装款式进行合理分类。(2)基于循环神经网络的特征提取算法。采用此种算法可以对服装单品序列数据予以充分利用,实现对序列外形特征的有效处理。对时序信息进行处理时,RNN的优势是明显的,将序列特征数据予以输入之后,就可实现递归目的,全部循环单位均可实现链式连接。比方说,进行时尚单品相关性建模时,可对RNN长短期记忆加以应用,也就是通过InceptionV3卷积网络就能够将图像特征向量予以明确,将其输入双向LSTM就能够获取单品序列,如此就可完成特征向量关系的提炼,如此一来,在对套装予以推荐时就可确保单品风险是大致相同的。(3)基于深度信念网络的特征提取算法。在对此种算法予以应用时,训练是需要重点关注的,先是无监督学习,继而展开有监督学习,如此可以使得模型具有的特征提取能力大幅提升。即使标注数据不足,此种算法一日按可以完成特征提取,但在应用过程中要保证服装图像的尺寸是相对固定的,而且数据处理需要投入大量的时间[1]。
2服装搭配推荐关键技术
2.1套装图像分割技术
人脸检测技术。先要对模特面部进行检测,确定长、宽,继而依据既定的假设完成上装、下装的分割。此种技术存在明显的局限,高腰裤、低腰群之类的款式无法加以应用。FasterR-CNN算法。先要通过人工方式对图像当中的上装、下装区域进行标注,继而对模型进行训练,确保能够对相关的语义信息能够有切实的了解,这样就能够使得上装、下装能够切实区别开来。将图像检测所得结果作为依据,将图像区域的置信度得分予以明确,得分最高确定为目标服装区域。此种技术的优势是明显的,和初代R-CNN予以比较可知,对单张图像进行检测的时间只需要0.2s,而且精度有大幅提升,评价精度能够达到66.9000。完成套装图像分割,接下来的训练就可围绕目标区域展开,如此能够保证模型预算效益大幅提高[2]。
2.2智能化服装搭配模型
生成式对抗网络。其主要由生成器、鉴别器构成,前者可以实现服装图像的生成,而后者则能够对图像的真实性予以辨别。在进行训练时,生成器要对服装图像予以合成,鉴别器则区分图像,在获得鉴别结果之后,生成器自动完成改进工作,这样就可获得新图像,当生成器不再进行自动改进,而且鉴别器确定不存在虚拟图像时,就可获得所需图像。孪生卷积神经网络。其包括两个子网结构,而且共享权值、架构是完全相同的,对两个输入予以分别映射,如果无法对权值予以共享的话,则是伪孪生神经网络。需要进行判别的服装直接输入到网络之后,就可对服装搭配予以逐层输出,进而对结果进行准确判断[3]。
3服装搭配推荐的个性化发展
3.1基于TPO的搭配推荐
对此种个性化推荐予以分析可知,其是将和具体着装场景相适合的TPO规则作为依据,确保用户的个性需求能够得到切实满足。其中需要重点关注的步骤如下,一是要从着装场景出发,对服装的风格、面料、款式等予以细致划分;二是在进行推荐时,将TPO规则、协同过滤、关联规则等的基础作用展现出来。
3.2基于用户偏好的搭配推荐
对此种个性化推荐予以分析可知,历史购买记录、评价记录等是主要的依据,这样可以保证用户对品位的追求得到满足,保证搭配规则不变的情况下,使得服装推荐能够和用户兴趣相符。此外可以通过用户的社交圈进行推荐,也就是对喜好大致相同者的搭配予以推荐。这里需要指出的是,其是将低层传统特征作为推荐依据,而高级语义属性则无法发挥出效用,因而推荐结果并不新颖,而且多样性明显不足。从关键步骤来看,需要重视的如下,一是要对用户浏览、购买的相关数据进行收集;二是采用过滤算法。
3.3基于用户特征的搭配推荐
此类个性化推荐依据着装过程中合体、或有显瘦、遮肉等其他需求,以用户体型细部特征与服装款式间的对应关系作为基础,为用户推荐适合其体型的搭配。其关键步骤主要包括:一是根据用户肤色、性别、身型,及脸型等划分为不同类别;二是通过与服装专家访谈得到适合不同人体特征的服装规则知识;三是通过体型与款式间的映射确定体型和服装款式之间的对应关系从而实现推荐[4]。
4结语
从国内外对智能化服装搭配推荐相关研究现状可见,提升推荐系统精准度是当前此领域的研究热点与重点,已取得了较多研究成果。考虑个性化的服装搭配研究仍处于起步阶段,今后在对服装搭配推荐的研究中将智能化与个性化结合,使推荐结果具备优良精准度和多样性的同时满足用户需求,综合提升搭配推荐效益,在实际应用中具有重要意义。
参考文献
[1]杨怡然,吴巧英.智能化服装搭配推荐研究进展[J].浙江理工大学学报(自然科学版),2021,45(01):1-12.
[2]纪丹丹,戴宏钦.服装搭配方法研究综述[J].现代丝绸科学与技术,2020,35(04):31-35.
[3]张泽堃,张海波.服装智能搭配研究现状综述[J].网络安全技术与应用,2019(10):128-130.
[4]高鑫.服装智能搭配系统[J].黑龙江科技信息,2015(34):85.
作者:毕晓晏 单位:山东服装职业学院