Fashion CUT：基于合成数据与伪标签的服装视觉图案分类无监督域自适应方法
计算机视觉与模式识别
2023-05-10 v1 机器学习
摘要
准确的产品信息对于电商店铺让客户浏览、筛选和搜索产品至关重要。产品数据质量受缺失或错误信息影响，导致糟糕的客户体验。虽然机器学习可用于纠正不准确或缺失的信息，但在时尚图像分类任务上取得高性能需要大量标注数据，而由于标注成本，生成这些数据十分昂贵。一种解决方案是生成无需人工标注的合成数据。然而，仅使用合成图像数据集训练模型，在真实世界数据上推理时，由于域偏移，可能导致泛化能力差。我们提出了一种新颖的无监督域自适应技术，将合成域图像转换为真实世界域图像。我们的方法结合了一个生成式神经网络和一个分类器，二者联合训练以生成逼真图像，同时保留合成标签信息。我们发现，在训练期间使用真实世界伪标签有助于分类器在真实世界域中泛化，减少合成偏差。我们成功地在无真实世界标注的情况下训练了一个时尚领域的视觉图案分类模型。实验表明，我们的方法优于其他无监督域自适应算法。
引用
@article{arxiv.2305.05580,
title = {Fashion CUT: Unsupervised domain adaptation for visual pattern classification in clothes using synthetic data and pseudo-labels},
author = {Enric Moreu and Alex Martinelli and Martina Naughton and Philip Kelly and Noel E. O'Connor},
journal= {arXiv preprint arXiv:2305.05580},
year = {2023}
}