衣服匹配算法

Learning Type-Aware Embeddings for Fashion Compatibility

 

摘要

 

本文主要是为了解决，衣着（帽子，鞋子，衣服）同类之间的相似性，以及异类之间的兼容性问题。文中推荐的方法使用的嵌入向量的的方法，使用这个向量代表衣着的属性，这种方法可以解决以往模型所不能解决的服饰属性的代表性问题。比如从一堆帽子中选择适合衣着搭配的帽子。

 

简介

 

左边：传统的方式是将所欲类型的物体，嵌入到同一个空间中，匹配衣服和哪个鞋子最相似，以距离远近来度量。 右边：本文的嵌入方式，首先将所有的先嵌入到一个向量空间中，然后将共有向量空间映射到根据类别分割的子空间中，也就是说评价一个鞋子是否与外套相匹配，就需要在鞋子上衣空间匹配。与公用空间的计算大不相同，需要找到两双鞋子，一个是匹配上衣的，一个是和匹配上衣很不一样的。

 

传统的方式，进行嵌入会出现，嵌入向量不能表达类别的问题，这就会导致各种问题，比如鞋子和上衣匹配，上衣和裤子匹配，那么传统方式的嵌入向量就需要鞋子与裤子匹配。但是现实中这种情况是不对的。

本文中的方式，在训练公用嵌入向量空间的时候，使用了数据语义Loss, 将语义相似的放到紧邻空间，对每一个比对都放到一个比对空间中，这一步是基于距离度量训练的，以获得匹配分数。

 

 

使用type-specific投射，通用embedding到成对适配空间. 同时也训练了一个文本语义模型，正则化通用embedding，并且学习相似以及适配的关系。

 

 

 

 

相关工作

 

嵌入方法主要是根据提供的积极对实例以及消极对实例，来学习复杂的联系，目前主要的思路包括，triplet Loss(在人脸识别中具有很好的表现)，孪生网络。但是这些特征提取的思路并没有区分类别。后来Han将装束的各类类别变量输入到LSTM。目前来说这些方法训练也是一种困难。

数据集合

使用的是自己采集的数据集合

在划分训练集和测试集的时候是非常有技术含量的，比如需要考虑训练集合中的一件衣服，应该出现在测试集合从未出现的着装中。

最简单的办法是，直接划分，但是有一个问题 一件衣服出现在了train的衣服组合中，也出现在了test的衣服组合中。

还有一个复杂，确保每种衣服只出现在一种数据集合中，使用图像分割算法确保每一件衣服都只出现在一个数据集合中，然后去除一些冗余数据。

类的嵌入向量

首先需要一个卷积网络

 

将图像对xi, xj映射成yi, yj。其中这种embdeding空间对于标注适配的对距离近，标注非适配的对距离较远

地中xi表示第i个物体。

 

假设有T个类别，例如xiT表示T类别的第i个， 一个triplet 数据如下{xiu, xjv, xkv}，

其中（xi, xj）是合适的，但是xk是随机选择的，从来没有和xiu同时出现过。

u 是有空白。

 

我们定义M（u, v）为类别嵌入空间，在这里u和v适配。给出一个映射P：u->(u,v)

将类别u映射到M（u，v），这些映射是线性映射主要为了降低维度，对于适配的一组数据（xiu, xjv）距离

保持这个公式足够小。

其中公共的embedding空间向量f(xiu, theta),  f(xjv, theta)并不一定相似，这主要依赖与类空间的嵌入映射。

这种通用形式需要进行大量的计算才可，本文中研究了两步的简化方案。

首先使用对角映射度量，其中w(u, v)是一个d维的向量，然后将类空间中的，度量变成下面形式，

其中点代表元素之间相乘。 所以trible loss更改成如下结构

 

其中u是margin

 

学习embedding的限制

为了正则化适配的学习，使用了描述文本。对描述文本进行嵌入。

其中t代表x的文字描述，经过g后嵌入向量化。

一般认为图片和他自身描述会相似但是和其他描述会相差较大

限制在xjv, xkv

最后增加了L1针对映射的惩罚向量和L2针对初次embedding的惩罚向量。