融合强化学习与迁移对抗的服装标注

摘要

针对图像标注任务中的标注精度不高等问题，提出融合强化学习与迁移对抗的图像标注方法FLTAN，利用强化学习和迁移学习的优势，有效改善了服装数据集图片标注信息不足的问题，使标注内容更加丰富。该方法在动态对抗域适应模型DAAN的基础上加入注意力机制与循环神经网络以获取图像位置信息，再利用强化学习相关算法对图像显著位置依次判断所属类别并计算期望，将期望最大的类别作为最终图像分类，从而提升模型的分类准确性。在迁移学习部分，对生成的特征进行剪裁/标准化操作以固定数据范围，并加快梯度下降求解速度，提升标注精度。将该方法与多个模型进行实验对比，结果表明，该方法相比其他模型的准确率都有一定提升。

0 引 言

近年来随着互联网的迅速发展，电子商务如雨后春笋，蓬勃发展。其中也涉及到大量服装类图片，因此如何管理与检索这些图片并提高检索效率，是现阶段需要解决的问题。目前的图像标注分为人工标注和自动标注，人工标注成本较高且速度慢，而且人工标注易疲劳，容易影响标注精度，因此自动图像标注是现阶段亟需突破的方向。