时尚分类的深度学习

• 下载源代码 - 120.7 MB

引言

时尚产业是一个大生意。 无论是在线销售还是在实体店销售，服装都是零售销售的最大驱动力之一。

像 DeepFashion 这样的数据集的可用性开辟了新的可能性。 想象一下，拥有一个由人工智能驱动的分类器，商店可以使用它来识别进入商店的人所穿的衣服。

此信息可以被动地用于收集关于购物者通常穿什么类型衣服的汇总情报。 或者，它可以主动使用。 例如，时尚检测器可以在客户穿着连衣裙或西装进入商店时提醒销售人员。 由于这个人已经穿着高档、高价值的服装，他们今天更有可能在商店里花更多的钱。

实现这一切的第一步是建立一个有效且准确的分类器模型。 在本系列文章中，我们将展示一个由人工智能驱动的 深度学习 系统，该系统可以通过帮助我们更好地理解客户的需求来彻底改变服装设计行业。

在这个项目中，我们将使用

• Jupyter Notebook 作为 IDE
• 库
  • TensorFlow 2.0
  • NumPy
  • MatplotLib
• DeepFashion 数据集的自定义子集——相对较小以减少计算和内存开销

我们假设您熟悉深度学习的概念，以及 Jupyter Notebook 和 TensorFlow。 如果您不熟悉 Jupyter Notebook，请从 本教程 开始。 欢迎下载项目代码。

数据子集

DeepFashion 数据集是一个大规模的服装数据库，它具有几个吸引人的特点：服装类别和属性预测、店内服装检索基准、消费者到商店服装检索基准和时尚地标检测基准，由香港中文大学的多媒体实验室收集。 然而，对于我们的项目，我们将仅使用 类别和属性预测数据集，因为我们将致力于检测和分类现有图像中的服装，甚至生成新的类似图像。 要继续学习，请下载数据集。

类别和属性预测是一个庞大的数据集，其中包含按不同属性分隔成高度特定类别的服装图像。 例如，有袖衬衫被认为与无袖衬衫不同。

对于这个项目，我们创建了自己的数据子集，减少了图像数量和类别特异性，以简化和降低计算成本。 我们将分类从 DeepFashion 的原始 46 个类别减少到 15 个类别。 然后，我们从每个简化的类别中选择了 500-700 张图像，如下图所示

可以 在此处 下载自定义数据集。

问题陈述

服装行业中由人工智能驱动的深度学习系统可以检测、识别，然后推荐或生成新设计。 可以通过在不同服装类型图像上训练的深度网络来完成服装分类。 深度网络也可以训练来预测服装的属性并检测单个服装项目。 真实图像将描绘人们穿着多种类型的服装。 例如，有人可能穿着牛仔裤、衬衫和夹克。 最好有一个能够一次检测所有这些项目的强大系统。 可以训练神经网络来检测一种或多种类型，并将每个检测到的部分发送到网络进行分类，将其分类到其中一个服装类别中。

此外，深度网络可以成为时尚设计推荐器或生成器：您可以训练它们使用生成对抗网络 (GAN) 生成新的服装图像。 GAN 使用训练数据集（例如大型照片数据库）来学习如何生成新的、真实的数据。

在本系列的后续文章中，我们将看到如何实现上述部分任务并将其应用于真实图像。

后续步骤

在 下一篇文章 中，我们将向您展示如何使用迁移学习来微调 VGG19 模型以对服装类别进行分类。 敬请关注！

历史

• 2021 年 3 月 15 日：初始版本