Attr2Style：基于服装属性推断时尚风格的迁移学习方法

流行的时尚电子商务平台大多在其产品详情页上提供服装的低级属性细节（例如领型、裙长、领口类型）。然而，顾客通常倾向于根据服装的风格信息，或简单来说即场合（例如派对/运动/休闲装）来购买服装。应用监督式图像描述模型生成基于风格的图像描述是受限的，因为很难获取以基于风格描述为形式的真实标注。这是因为标注基于风格的描述需要一定程度的时尚领域专业知识，并且会增加成本和人工工作量。相反，基于低级属性的标注则容易获得得多。为了解决这个问题，我们提出了一种基于迁移学习的图像描述模型，该模型在具有充足基于属性真实描述的源数据集上进行训练，并用于在目标数据集上预测基于风格的描述。目标数据集仅有少量带有基于风格真实描述的图像。我们方法的主要动机来自于这样一个事实：服装的低级属性与高级风格之间往往存在相关性。我们利用这一事实，并在使用注意力机制的编码器-解码器框架中训练我们的模型。具体而言，模型的编码器首先在源数据集上进行训练，以获取捕捉低级属性的潜在表示。训练好的模型随后进行微调，以生成目标数据集的基于风格的描述。为了突出我们方法的有效性，我们定性和定量地证明了我们方法生成的描述接近于所评估服装的实际风格信息。我们模型的概念验证正在 Myntra 进行试点，向部分内部用户开放以收集反馈。