面向服装搭配的跨类别半监督兼容性学习
信息检索
2019-08-01 v1 机器学习
摘要
学习时尚单品跨类别之间的兼容性是时尚分析中的一项关键任务，它可以揭示服装搭配的奥秘。该任务的主要思想是将单品映射到一个潜在的风格空间中，使兼容的单品彼此靠近。先前的工作试图通过最小化已标注兼容单品之间的距离来构建这样的变换，这需要大量的单品级监督。然而，这些标注数据获取代价高昂，且在真实应用中难以覆盖众多风格各异的单品。在此情况下，这些有监督方法无法取得令人满意的性能。在本工作中，我们提出一种半监督方法来学习跨类别兼容性。我们观察到不同类别的分布具有内在相似的结构。相应地，分布对齐得越好，这些类别间兼容的单品就靠得越近。为实现对齐，我们通过无监督对抗学习最小化分布之间的距离，同时也最小化一些已标注兼容单品之间的距离，后者充当锚点以辅助对齐。在两个真实世界数据集上的实验结果证明了我们方法的有效性。
引用
@article{arxiv.1907.13304,
title = {Semi-supervised Compatibility Learning Across Categories for Clothing Matching},
author = {Zekun Li and Zeyu Cui and Shu Wu and Xiaoyu Zhang and Liang Wang},
journal= {arXiv preprint arXiv:1907.13304},
year = {2019}
}
备注
6 pages, 4 figures, accepted by ICME2019