在樣本數(shù)據(jù)稀缺的情況下,為快速準確地獲取古代漢服的關(guān)鍵尺寸數(shù)據(jù),提出一種基于卷積神經(jīng)網(wǎng)絡的漢服尺寸測量方案。首先搭建1個二階段卷積神經(jīng)網(wǎng)絡模型Global Net-Refine Net進行關(guān)鍵點檢測,通過2次遷移學習和反復迭代訓練提高關(guān)鍵點識別準確率;再利用算法得到坐標點的像素距離,結(jié)合博物館或發(fā)掘報告中給出的漢服平鋪圖和至少1個真實測量尺寸,通過比例映射得到全衣的尺寸數(shù)據(jù)。以漢服上衣為例進行實驗驗證,結(jié)果表明:經(jīng)過2次遷移學習,卷積神經(jīng)網(wǎng)絡模型的收斂程度高,訓練效果好,通過該方案測得的漢服上衣尺寸相對誤差在0.59%～4.17%之間;該方案為傳統(tǒng)服飾的復原研究和文物尺寸測量工作提供了新思路。 

【文章來源】：紡織學報. 2020,41(12)北大核心EICSCD

【文章頁數(shù)】：6 頁

【部分圖文】：

Global Net金字塔網(wǎng)絡結(jié)構(gòu)

圖1 Global Net金字塔網(wǎng)絡結(jié)構(gòu)此外，Global Net和Refine Net均采用損失函數(shù)Smooth L2進行關(guān)鍵點的回歸預測，計算公式如下:

從淘寶網(wǎng)、漢服薈等電商平臺收集1 000張現(xiàn)代漢服平鋪圖，選取標準為服裝實物是依照傳世文物仿制或遵循傳統(tǒng)形制平裁而成的。通過對收集的圖片進行旋轉(zhuǎn)、增加適當噪聲等操作，將樣本容量擴充到5 000張，作為第2次遷移學習的數(shù)據(jù)集。將第1次學習后的參數(shù)模型作為預訓練模型輸入網(wǎng)絡，再利用現(xiàn)代漢服數(shù)據(jù)集進行第2次遷移學習，最終得到一個能夠較好地識別漢服輪廓特征的網(wǎng)絡參數(shù)模型，如圖3所示。經(jīng)過反復迭代訓練發(fā)現(xiàn)，迭代曲線呈收斂趨勢，且當?shù)螖?shù)達到300 000次，2次遷移學習的loss指數(shù)分別下降至0.2和0.18，說明模型收斂程度高，訓練效果好。


本文編號：3365303