來源 | TowardsDataScience

譯者 | 小韓

時裝業(yè)是人工智能領(lǐng)域很有前景的領(lǐng)域。 研究人員可以開發(fā)具有一定實用價值的應(yīng)用。 我已經(jīng)在這里展示了我對這個領(lǐng)域的興趣，在那里我開發(fā)了一個來自Zalando在線商店的推薦和標(biāo)記服裝的解決方案。

在這篇文章中，我們會開發(fā)一個提取連衣裙的應(yīng)用。 它輸入原始的圖像（從網(wǎng)絡(luò)上下載或用智能手機(jī)拍照），并提取圖像中的連衣裙。 分割的難點在于原始圖像中存在了大量的噪聲，但是我們會在預(yù)處理期間通過一個技巧來解決這個問題。

最后，您還可以嘗試將此解決方案與之前引用的解決方案合并。 這允許您通過外出和拍攝時拍攝的照片，開發(fā)一個實時推薦和標(biāo)記服裝的系統(tǒng)。

數(shù)據(jù)集

最近有一項關(guān)于服裝視覺分析和分割的Kaggle比賽。 這是一個非常有趣的比賽，但它并不適合我們。 我們的目標(biāo)是從圖像中提取連衣裙，因此這個數(shù)據(jù)集不太適合我們，因為它包含了比較多的冗余。 我們需要的是包含連衣裙的圖像，因此最好自己來構(gòu)建數(shù)據(jù)集。

我收集了網(wǎng)絡(luò)上的一些圖片，其中包含了在不同場景穿著不同類型的連衣裙的人。 然后需要創(chuàng)建蒙版，它在每個對象分割任務(wù)中都是必要的。

下面是我們的數(shù)據(jù)樣本。 我從互聯(lián)網(wǎng)上收集了一些原始圖像，經(jīng)過進(jìn)一步剪切，將人與衣服分開。

圖像分割示例

因為我們要將背景、皮膚和連衣裙進(jìn)行分離，首先要將它們區(qū)分出來。 背景和皮膚是本問題中最相關(guān)的噪聲源，我們要盡量減少它們的干擾。

通過手動分割來創(chuàng)建蒙版，如下圖所示，簡單的對蒙版進(jìn)行二值化。

蒙版示例

最后一步，我們將所有的蒙版圖像合并為三維的單個圖像。 這張照片表示了原始圖像的相關(guān)特征。 我們的目的主要是分離背景，皮膚和連衣裙，因此這個圖像非常適合！

最終蒙版

我們對數(shù)據(jù)集中的每個圖像重復(fù)這個過程，為每個原始圖像提供三維的對應(yīng)蒙版。

模型

我們可以很容易的建立模型，過程非常簡單：

我們需要訓(xùn)練這樣一個模型，該模型輸入原始圖像，可以輸出它的三維蒙版，即分離皮膚、背景和衣服。 訓(xùn)練完成之后，當(dāng)一個新的圖像輸入時，我們就可以將它分成三個不同的部分： 背景、皮膚和衣服。 我們只關(guān)注感興趣區(qū)域（連衣裙），這樣蒙版結(jié)合原始圖像，就可以裁剪出我們需要的連衣裙。

我們使用UNet建立該模型，它經(jīng)常用于類似的分割任務(wù)，而且很容易在Keras中實現(xiàn)。

在開始訓(xùn)練之前，要對所有的原始圖像進(jìn)行均值標(biāo)準(zhǔn)化。

結(jié)果和預(yù)測

在預(yù)測期間，當(dāng)遇到高噪聲的圖像（背景或皮膚模糊等）時，模型開始動蕩。 這種問題可以簡單地通過增加訓(xùn)練圖像的數(shù)量進(jìn)行解決。 但我們也開發(fā)了一個巧妙的方法來避免這種問題。

我們使用 OpenCV 提供的 GrubCut 算法。 該算法利用高斯混合模型分離前景和背景。 通過它可以幫助我們找到圖像中的人物。

我們只實現(xiàn)了簡單的功能。 假設(shè)感興趣的人站在圖像的中間。

python def cut(img): img = cv.resize(img,(224,224)) ¨K5K

執(zhí)行GrubCut結(jié)果

下面是結(jié)合使用GrubCut和UNet之后的結(jié)果：

GrubCut與UNet相結(jié)合得到了優(yōu)秀的結(jié)果。

總結(jié)

在這篇文章中，我們?yōu)檫B衣裙分割開發(fā)了一套解決方案。 為了達(dá)到這個目的，我們使用了GrubCut和UNet。 我們計劃在真實照片中使用這個解決方案，并根據(jù)它構(gòu)建一個視覺推薦系統(tǒng)。

原文鏈接：
https://towardsdatascience.com/dress-segmentation-with-autoencoder-in-keras-497cf1fd169a

公眾號后臺回復(fù) 關(guān)鍵字 “ 0704 ” 可獲取 代碼github鏈接~

你也許還想 看 ：

●? 一文總結(jié)深度學(xué)習(xí)的12張思維導(dǎo)圖

●? 用機(jī)器學(xué)習(xí)生成披頭士的歌詞 | 項目實戰(zhàn)

●? 怎樣設(shè)計最優(yōu)的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)？| NAS原理剖析

歡迎掃碼關(guān)注：

? 點擊下方 ?|? 閱 讀 原 文 ?|? 了解更多