服装商品搜索的视觉图像关键技术研究

With the rapid development of the commodity image data retrieval technology, Users expect a fast and accurate search. The users think the target image must be ranked first. It's very difficult to finish the work. Unfortunately, simply applying existing methods for large-scale visual recognition may seriously suffer from at least three critical issues: (1) Preferred features are not get now.(2) Huge optimization cost for classifier training. (3) Huge computational cost for image classification. The project intends to study the garment image classification method. In this project, we will focus on developing new algorithms for achieving large-scale visual recognition, which is very important for the computer vision community. The goals of this project are to: (1) We will follow the spirit of new features model to extract primitive visual patterns on the local patch level. (2) It is very attractive to develop new approaches which have low optimization cost for k-nearest-neighbors(k-NN) classifier training. (3) It is very attractive to develop new approaches for organizing large number of object classes and image concepts hierarchically according to their inter-concept visual correlations rather than their semantic contexts. This research will have twofold impact. First, it makes fundamental advances in the current state of the art of large-scale visual recognition. Second, a wide range of potential applications could benefit from this research.

网上商品图像数据检索技术正在迅速发展，用户期待一种快速、准确、所见即所得且用户体验好的搜索方式，检索出的目标图像要求必须排在第一位，这给视觉图像检索技术提出了很高的要求。对于服装图像，由于图像前景检测提取技术的不成熟而且服装图像复杂度高，在前期研究中发现了几个影响检索结果的：特征描述不准确、分类训练的优化代价高、图像分类计算代价高等。本项目拟研究以分类技术为导向的服装图像分类方法，给出新的能够描述服装特性的特征描述子，研究一种新的且代价低的K最近邻（KNN）分类器训练方法，提出一个能够按照视觉相关性（而不是语义相关性）分层管理类别及概念的新方法，从而为实际需要做好前沿技术的准备。 这项研究将会产生两方面的影响。首先，它会推动当前大规模视觉识别领域前沿理论及技术的发展。其次，可以使得目前的很多的应用受益（包括电子商务）。

目前，由于服装图像识别复杂度高，很多实际的应用仅仅是在某些特定的类别中进行相关服装检索，还有一些应用则是通过增加用户的交互性行为来为服装图像识别提供可靠的类别依据。当前，在海量数据条件下并不存在一种能够把服装图像准确地区分开的普适性方法。已有的工作表明，如果直接在海量数据集中识别某一种服装，在精度、速度以及可计算性上的效率都很低。如果事先将海量数据进行分类，然后再按分层的策略去识别某一类的服装，则在识别精度及效率上会有质的提高。本项目通过对服装图像进行特征提取，然后通过学习机制获得服装的分类知识，最终用于服装图像的识别任务。. 本项目围绕着服装产品分类和检索相关领域进行了深入的研究，提出了完整的服装分类及检索系统，建立了图像视觉网络。针对目前服装图像分割难度高，特征描述不准确、分类训练的优化计算代价高、检索效率低等的问题，提高了视觉图像前景提取技术，准确地分割出非刚性服装目标；加强服装图像的视觉特征描述子的表达能力，去掉冗余信息；改进特征编码及分类方法，提高了服装图像分类精度；通过索引加快了服装检索效率。推动当前大规模视觉识别领域前沿理论及技术的发展，使得目前的众多的应用受益，比如电子商务。并且还针对服装检索的相关问题进行了扩展，实现了基于图像的智能服装搭配推荐系统以及基于手绘服装的检索。另外，项目还建立了大规模标注完备的服装数据库，对以后服装检索有重要的引领作用。. 本项目按照研究计划，实现了服装图像的有效表示、完成了服装视觉网络的构建及基于K最近邻（KNN）分类器训练方法的提升，实现大数据下高效地服装分类、检索。并且对服装相关领域工作做出了拓展，比如服装搭配、手绘服装检索等方面，还构建了标注完备的服装数据集。