[论文阅读]Which Is Plagiarism: Fashion Image Retrieval Based on Regional Representation for Design Prote
Which Is Plagiarism: Fashion Image Retrieval Based on Regional Representation for Design Protection
作者 | Yining Lang, Yuan He, Fan Yang, Jianfeng Dong, Hui Xue
单位 | 阿里；浙江工商大学；AZFT
会议｜CVPR2020
paper地址
概述
在服装领域，虽然打假一直不断，但盗版抄袭问题依旧普遍存在，而且从线上线下，抄袭手段越来越刁钻。目前来看，服装领域的抄袭有以下三类
•图片盗用
抄袭成本很低，很容易被平台的图片检索系统锁定
•创意盗版
抄袭成本稍高，但基于相似度度量的算法，可以对它们进行召回和治理
•对服装的某些区域进行修改
抄袭成本高，需要人工审核发现，打假成本也高
两组盗版示例，其中每组中左图为正版服装，右图为盗版服装
盗版服装检索的难点
盗版服装的形式层出不穷，有些盗版服装跟原图比较相似，但是有些并不相似
而且有些盗版服装与原创服装属于不同的类型，提高了网络训练时的要求
盗版服装的定义
作为盗版服装检索领域的首次工作，作者对盗版服装的定义是整体上抄袭原版服装设计和风格，服装修改的局部区域数小于等于2
将图像中的服装分为五个区域，包括领子、胸部、腰部和两个袖子区域
方法
基于三元组的损失函数（for 相似性检索）
Ltri(I,I+,I−)=∑r=1Rmax(DrI,I+−DrI,I−+m,0)Ltra=∑n=1NLtri(I,I+,I−)\begin{array}{c} \mathcal{L}_{t r i}\left(I, I^{+}, I^{-}\right)=\sum_{r=1}^{R} \max \left(D_{r}^{I, I^{+}}-D_{r}^{I, I^{-}}+m, 0\right) \\ \mathcal{L}_{t r a}=\sum_{n=1}^{N} \mathcal{L}_{t r i}\left(I, I^{+}, I^{-}\right) \end{array} Ltri(I,I+,I−)=∑r=1Rmax(DrI,I+−DrI,I−+m,0)Ltra=∑n=1NLtri(I,I+,I−)
基于三元组的损失函数（for 盗版检索）
Ltri′(I,I+,I−)=∑r=1Rmax(DrI,I+−DrI,I−+m,0)⋅λrαtri=avg{∥fr(I)−fr(I+)∥2;r=1,2,…R}max{∥fr(I)−fr(I+)∥2;r=1,2,…R}Lpla=∑n=1N[Ltri′(I,I+,I−)⋅αtri]\begin{array}{c} \mathcal{L}_{t r i}^{\prime}\left(I, I^{+}, I^{-}\right)=\sum_{r=1}^{R} \max \left(D_{r}^{I, I^{+}}-D_{r}^{I, I^{-}}+m, 0\right) \cdot \lambda_{r} \\ \alpha_{t r i}=\frac{\operatorname{avg}\left\{\left\|f_{r}(I)-f_{r}\left(I^{+}\right)\right\|_{2} ; r=1,2, \ldots R\right\}}{\max \left\{\left\|f_{r}(I)-f_{r}\left(I^{+}\right)\right\|_{2} ; r=1,2, \ldots R\right\}} \\ \mathcal{L}_{p l a}=\sum_{n=1}^{N}\left[\mathcal{L}_{t r i}^{\prime}\left(I, I^{+}, I^{-}\right) \cdot \alpha_{t r i}\right] \end{array} Ltri′(I,I+,I−)=∑r=1Rmax(DrI,I+−DrI,I−+m,0)⋅λrαtri=max{∥fr(I)−fr(I+)∥2;r=1,2,…R}avg{∥fr(I)−fr(I+)∥2;r=1,2,…R}Lpla=∑n=1N[Ltri′(I,I+,I−)⋅αtri]
网络框架
PS-Net总体框架
Network Backbone
HR-Net提取图片的特征
HR-Net 的多分辨率子网并行连接，使得每一个高分辨率到低分辨率的表征都从其它并行表示中反复接受信息，从而得到丰富的高分辨率表征
但HR-Net不是必须的，可以用ResNet、VGG-Net 等替代
Landmark Branch
关键点估计分支，为划分区域做准备，通过反卷积进行上采样
Retrieval Branch
聚合局部区域的特征进行检索
根据 Landmark Branch 得到的关键点预测和 输出的热力图，得到特定局部区域在特征图上的位置
再根据特定区域在特征图上的位置，通过ROI pooling得到 Retrieval Branch 的特征图中该区域相应的局部特征图
Plagiarized Fashion 数据集
•总共60,000张图片,其中40,000用于训练 20,000用于测试
•包括4类服装：短袖T恤、长袖上衣、外套以及连衣裙
•图片从淘宝网爬取并经过专家标注
不同类型服装通常被篡改的部位不同
总结
•提出了一个新的抄袭服装检索问题
•建立了新的用于抄袭服装检索的数据集Plagiarism Fashion
•提出了一种基于区域表示的多任务网络PS-Net且达到了SOTA
•PS-Net还可以用于传统的服装检索和关键点估计任务
[论文阅读]Which Is Plagiarism: Fashion Image Retrieval Based on Regional Representation for Design Prote相关推荐
- 论文阅读——《Exposure Control using Bayesian Optimization based on Entropy Weighted Image Gradient》
论文阅读--<Exposure Control using Bayesian Optimization based on Entropy Weighted Image Gradient> ...
- [论文阅读] (07) RAID2020 Cyber Threat Intelligence Modeling Based on Heterogeneous GCN
<娜璋带你读论文>系列主要是督促自己阅读优秀论文及听取学术讲座,并分享给大家,希望您喜欢.由于作者的英文水平和学术能力不高,需要不断提升,所以还请大家批评指正,非常欢迎大家给我留言评论,学 ...
- 论文阅读 [CVPR-2022] BatchFormer: Learning to Explore Sample Relationships for Robust Representation Lea
论文阅读 [CVPR-2022] BatchFormer: Learning to Explore Sample Relationships for Robust Representation Lea ...
- 论文阅读笔记（5）：Oracle Based Active Set Algorithm for Scalable Elastic Net Subspace Clustering
论文阅读笔记(5):Oracle Based Active Set Algorithm for Scalable Elastic Net Subspace Clustering,基于Oracle的可伸 ...
- [论文阅读][SLAM]Targetless Calibration of LiDAR-IMU System Based on Continuous-time Batch Estimation
Targetless Calibration of LiDAR-IMU System Based on Continuous-time Batch Estimation 文章目录 Targetless ...
- 论文阅读：Parameters Sharing Exploration and Hetero-Center based Triplet Loss for Visible-Thermal Person
1.问题 跨模态行人重识别解决模态差异问题的传统方法是将不同模态的特性映射到一个共享子空间中提取与模态无关的共享的特征,后来出现了双流网络提取模态特有特征和共享特征,这种方式对于鉴别特征的提取更有效. ...
- 【论文阅读】Unsupervised Learning of Image Segmentation Based on Differentiable Feature Clustering
文章目录 摘要 目标 贡献点 介绍 相关工作 经典方法 深度学习 基于用户输入的图像分割 基于CNN的弱监督分割 端到端的可微分割CNN 方法 问题建模 网络结构 损失函数 网络更新 实验结果 连续性 ...
- 论文阅读：《An Online-Calibrated Time Series Based Model for Day-Ahead Natural Gas Demand Forecasting》
前言 在以往的研究中,建立预测模型需要大量的历史信息.这个过程将需要相当多的时间.计算能力和内存(存储数据).如果将GD(天然气数据)与环境温度的相关性直接嵌入到预报过程中,则预报误差可大大降低. ...
- 论文阅读＞烟雾检测：Smoke detection based on imageprocessing by using grey and transparency features
文章目录 通过利用灰度和透明度特征基于图像处理的烟雾检测 摘要 关键词 1 介绍 2 颜色模型和烟雾特征分析 3 系统 3.1 烟雾检测算法 3.1.1 视频帧转换 3.1.2 运动检测和颜色变换 3 ...
最新文章
- visualVM 安装使用
- ArcGIS Engine开发前基础知识（4）
- 人才管理是什么意思_cms系统是什么意思，国内常用的cms内容管理系统有哪些
- 《面向对象程序设计》课程作业二
- 03MFC的ODBC类简介
- 洛谷 P1852 [国家集训队] 跳跳棋
- linux转录组kegg注释,蛋白质组学KEGG注释详解
- 域名可以用多久_一个域名能用多少年
- 变限积分求导公式总结_变限积分求导公式是什么？
- 计算机使用hdmi需要设置方法,如何在计算机显示器上切换HDMI
- 数据集Freebase-FB15k-237
- ubuntu设置相机为固定焦距
- 微信小程序商城如何打印快递单
- 你会心动吗？ICPR 2018 MTWI挑战赛开启
- 一文带你了解web前端是如何制作表白网站(HTML+CSS+JS)
- 把16进制值转换成颜色颜色16进制值表
- QQ音乐做直播：与秀场无关，对数字音乐产业有何影响？
- 【蓝旭】第五周预习博客
- ESP8266+Flash基本操作
- vpython 贞测碰撞_球碰撞vPython问题