基于关键点注意力和通道注意力的服装分类算法

发布时间：2022-01-19 22:13

　　提出了一个基于关键点注意力机制与通道注意力机制相结合的深度神经网络,用于解决服装关键点检测、类别分类和属性预测等3个方面的问题。网络通过对输入特征图进行卷积提取特征、反卷积恢复特征图大小以及加入非局部连接结构获得关键点之间的联系等一系列操作来预测服装关键点,进而得到关键点注意力。关键点注意力模块强调了服装中有辨别性区域的特征,进而得到新的特征图。此外,通道注意力模块增加了对分类和属性预测影响更大的特征图的权重。在DeepFashion数据集上的实验结果表明:本文方法较当前已有方法有效提高了类别分类的准确率和属性预测的召回率。 

【文章来源】：吉林大学学报(工学版). 2020,50(05)北大核心EICSCD

【文章页数】：6 页

【部分图文】：

关键点检测，类别分类和属性预测

本文网络的总体结构

图3为关键点检测的可视化结果，图4为服装类别分类和属性预测的部分结果。对于关键点检测，本文与文献[1,2,14,3]方法作对比，实验结果如表1所示。对于类别分类和属性预测，本文与文献[1,15-17,3]方法作对比，实验结果如表2所示，可见，本文模型在服装分类和属性预测上获得了显著的提高，特别是对于属性预测，top-3和top-5召回率较当前最新方法提高了1%。在收敛速度上，第4个回合后，网络已经收敛，与文献[3]相比，提高了训练效率。在关键点检测上，对于左、右下摆位置的预测得到了一定的提高。本文研究的主要目标是预测服装的类别和属性，在实际应用中给网络上的服装图片添加详细的描述，为用户可以利用关键词搜索提供基础。预测关键点位置只是服装类别分类和属性预测的一个辅助模块，网络要提取的是一个小的局部区域的特征，因此虽然关键点位置预测的结果不够精确，但仍然会获得其所在的有显著辨别性的局部区域，也就是说关键点注意力模块对提高类别和属性预测准确率有所帮助。图4 服装分类和属性预测结果

【参考文献】：
期刊论文
[1]光学遥感图像舰船目标快速检测方法[J]. 董超,刘晶红,徐芳,王仁浩.  吉林大学学报(工学版). 2019(04)
[2]基于空域和频域的图像显著区域检测[J]. 纪超,刘慧英,孙景峰,贺胜,黄民主.  吉林大学学报(工学版). 2014(01)



本文编号：3597653