服裝關(guān)鍵點作為服裝圖像理解的一種有效的可視化表示,被應(yīng)用在服裝屬性預(yù)測、服裝檢索和服裝推薦等眾多應(yīng)用上。然而由于人著衣不同姿態(tài)的影響以及服裝的非剛性變形,使隱藏點和被遮擋點這類難檢測點大量存在。為了解決這類難檢測點問題,本文提出了一個針對性的網(wǎng)絡(luò)模型以及模型訓(xùn)練方法。同時,本文還提出了一種可以融入服裝種類先驗信息的方法以提高檢測效果,具體內(nèi)容如下:(1)在服裝關(guān)鍵點檢測網(wǎng)絡(luò)的特征提取層面設(shè)計出了一種并行的由不同個數(shù)空洞卷積核堆疊而成的多深度空洞(Multi-Depth Dilated,MDD)卷積模塊以及基于該模塊搭建而成的多深度空洞卷積神經(jīng)網(wǎng)絡(luò)(Multi-Depth Dilated Network,MDDNet)。MDD模塊通過提取不同級別的上下文信息來捕獲更多的全局依賴關(guān)系,從而可以利用這種依賴關(guān)系有效地推斷出被遮擋點這類難檢測點的位置,并通過對比實驗驗證了MDD模塊的有效性。實驗結(jié)果表明,和2019年提出的SANL-parsing相比,MDDNet的歸一化誤差在數(shù)據(jù)集Deep Fashion上從0.0286降低到了0.0251,在數(shù)據(jù)集FLD上從0.0385降低到了0.0267...

【文章頁數(shù)】：62 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的服裝關(guān)鍵點檢測研究現(xiàn)狀
        1.2.1 基于坐標(biāo)回歸方法的服裝關(guān)鍵點檢測研究現(xiàn)狀
        1.2.2 基于熱力圖預(yù)測方法的服裝關(guān)鍵點檢測研究現(xiàn)狀
    1.3 研究內(nèi)容
    1.4 論文結(jié)構(gòu)安排
第二章 基于空洞卷積塊與特征金字塔網(wǎng)絡(luò)的服裝關(guān)鍵點檢測
    2.1 引言
    2.2 基于空洞卷積塊和特征金字塔網(wǎng)絡(luò)的服裝關(guān)鍵點檢測算法
        2.2.1 數(shù)據(jù)預(yù)處理方法與步驟
        2.2.2 多深度空洞卷積模塊的搭建
        2.2.3 多深度空洞卷積網(wǎng)絡(luò)的構(gòu)建
        2.2.4 采用中繼監(jiān)督的多損失值計算
    2.3 算法評估與分析
        2.3.1 服裝關(guān)鍵點數(shù)據(jù)集介紹
        2.3.2 實驗設(shè)置
        2.3.3 多深度空洞卷積網(wǎng)絡(luò)的有效性分析
        2.3.4 多深度空洞卷積模塊的有效性驗證
    2.4 本章小結(jié)
第三章 基于批級別在線難關(guān)鍵點挖掘方法的服裝關(guān)鍵點檢測
    3.1 引言
    3.2 基于批級別在線難關(guān)鍵點挖掘方法的服裝關(guān)鍵點檢測算法
        3.2.1 批級別在線難關(guān)鍵點挖掘方法
        3.2.2 多深度空洞卷積模塊的拓展
    3.3 算法評估與分析
        3.3.1 實驗設(shè)置
        3.3.2 批級別在線難關(guān)鍵點挖掘方法的有效性驗證
        3.3.3 多深度空洞卷積模塊拓展的有效性驗證
    3.4 本章小結(jié)
第四章 融合服裝種類先驗信息的服裝關(guān)鍵點檢測
    4.1 引言
    4.2 融合服裝種類先驗信息的服裝關(guān)鍵點檢測算法
        4.2.1 服裝關(guān)鍵點數(shù)據(jù)集選取與介紹
        4.2.2 融合嵌入特征網(wǎng)絡(luò)的構(gòu)建
        4.2.3 融合嵌入特征網(wǎng)絡(luò)的損失函數(shù)
    4.3 算法評估與分析
        4.3.1 數(shù)據(jù)預(yù)處理方法與步驟
        4.3.2 實驗設(shè)置
        4.3.3 融合服裝種類先驗信息的有效性分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 后期展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間取得的科研成果



本文編號：3904440