論文の概要: Learning Diverse Fashion Collocation by Neural Graph Filtering
- arxiv url: http://arxiv.org/abs/2003.04888v1
- Date: Wed, 11 Mar 2020 16:17:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 15:24:11.429343
- Title: Learning Diverse Fashion Collocation by Neural Graph Filtering
- Title(参考訳): ニューラルグラフフィルタリングによる多様なファッションコロケーションの学習
- Authors: Xin Liu, Yongbin Sun, Ziwei Liu, and Dahua Lin
- Abstract要約: 本稿では,グラフニューラルネットワークを用いて,フレキシブルなファッションアイテムセットをモデル化する新しいファッションコロケーションフレームワークであるNeural Graph Filteringを提案する。
エッジベクトルに対称演算を適用することにより、このフレームワークは様々な入力/出力を許容し、それらの順序に不変である。
提案手法を,Polyvoreデータセット,Polyvore-Dデータセット,Amazon Fashionデータセットの3つの一般的なベンチマークで評価した。
- 参考スコア(独自算出の注目度): 78.9188246136867
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fashion recommendation systems are highly desired by customers to find
visually-collocated fashion items, such as clothes, shoes, bags, etc. While
existing methods demonstrate promising results, they remain lacking in
flexibility and diversity, e.g. assuming a fixed number of items or favoring
safe but boring recommendations. In this paper, we propose a novel fashion
collocation framework, Neural Graph Filtering, that models a flexible set of
fashion items via a graph neural network. Specifically, we consider the visual
embeddings of each garment as a node in the graph, and describe the
inter-garment relationship as the edge between nodes. By applying symmetric
operations on the edge vectors, this framework allows varying numbers of
inputs/outputs and is invariant to their ordering. We further include a style
classifier augmented with focal loss to enable the collocation of significantly
diverse styles, which are inherently imbalanced in the training set. To
facilitate a comprehensive study on diverse fashion collocation, we reorganize
Amazon Fashion dataset with carefully designed evaluation protocols. We
evaluate the proposed approach on three popular benchmarks, the Polyvore
dataset, the Polyvore-D dataset, and our reorganized Amazon Fashion dataset.
Extensive experimental results show that our approach significantly outperforms
the state-of-the-art methods with over 10% improvements on the standard AUC
metric on the established tasks. More importantly, 82.5% of the users prefer
our diverse-style recommendations over other alternatives in a real-world
perception study.
- Abstract(参考訳): ファッションレコメンデーションシステムは、服、靴、バッグなどの視覚的に結合したファッションアイテムを見つけることを顧客から要望されている。
既存の手法は有望な結果を示すが、柔軟性や多様性に欠けており、例えば、一定数のアイテムを仮定したり、安全だが退屈なレコメンデーションを好む。
本稿では,グラフニューラルネットワークを用いたフレキシブルなファッションアイテムセットをモデル化する,新しいファッションコロケーションフレームワークであるNeural Graph Filteringを提案する。
具体的には,各衣服の視覚的埋め込みをグラフ内のノードとみなし,ガーメント間の関係をノード間のエッジとして記述する。
エッジベクトルに対称演算を適用することにより、このフレームワークは様々な入力/出力を許容し、それらの順序に不変である。
さらに,focalロスを付加したスタイル分類器も追加して,トレーニングセット内で本質的に不均衡な,極めて多様なスタイルをコロケーション可能にする。
多様なファッションコロケーションに関する包括的な研究を容易にするために,amazonのファッションデータセットを注意深く設計された評価プロトコルで再編成した。
提案手法は,polyvore dataset,polyvore-d dataset,およびamazon fashion datasetの3つのベンチマークで評価した。
広範な実験結果から,本手法は確立したタスクの標準 auc メトリックを10% 以上改善し,最先端手法を著しく上回っていることがわかった。
さらに重要なことに、82.5%のユーザーが、現実世界の知覚研究において、他の選択肢よりも多様なスタイルのレコメンデーションを好む。
関連論文リスト
- Lost Your Style? Navigating with Semantic-Level Approach for
Text-to-Outfit Retrieval [2.07180164747172]
ファッションレコメンデーションの基盤となるアプローチとして,テキスト・ツー・アウトフィット検索タスクを導入する。
我々のモデルは3つのセマンティックレベル、スタイル、服装で考案され、各レベルがデータを段階的に集約し、一貫性のある服装勧告を形成する。
メリーランド・ポリボアとポリボア・アウトフィットのデータセットを用いて,本手法はテキストビデオ検索タスクにおける最先端モデルよりも有意に優れていた。
論文 参考訳(メタデータ) (2023-11-03T07:23:21Z) - A Unified Arbitrary Style Transfer Framework via Adaptive Contrastive
Learning [84.8813842101747]
Unified Contrastive Arbitrary Style Transfer (UCAST)は、新しいスタイルの学習・伝達フレームワークである。
入力依存温度を導入することで,スタイル伝達のための適応型コントラスト学習方式を提案する。
本フレームワークは,スタイル表現とスタイル伝達のための並列コントラスト学習方式,スタイル分布を効果的に学習するためのドメイン拡張モジュール,スタイル伝達のための生成ネットワークという,3つの重要なコンポーネントから構成される。
論文 参考訳(メタデータ) (2023-03-09T04:35:00Z) - Dress Well via Fashion Cognitive Learning [18.867513936553195]
そこで本稿では,Fashion Cognitive Network (FCN) を提案する。
FCNには2つのサブモジュール、すなわち服用エンコーダとマルチラベルグラフニューラルネットワーク(ML-GCN)がある。
論文 参考訳(メタデータ) (2022-08-01T06:52:37Z) - Domain Enhanced Arbitrary Image Style Transfer via Contrastive Learning [84.8813842101747]
Contrastive Arbitrary Style Transfer (CAST) は、新しいスタイル表現学習法である。
本フレームワークは,スタイルコード符号化のための多層スタイルプロジェクタ,スタイル分布を効果的に学習するためのドメイン拡張モジュール,画像スタイル転送のための生成ネットワークという,3つのキーコンポーネントから構成される。
論文 参考訳(メタデータ) (2022-05-19T13:11:24Z) - Fashionformer: A simple, Effective and Unified Baseline for Human
Fashion Segmentation and Recognition [80.74495836502919]
本研究では,共同ファッションセグメンテーションと属性認識に着目した。
本稿では,セグメンテーションのためのオブジェクトクエリと属性予測のための属性クエリを紹介する。
属性ストリームのために,よりきめ細かい特徴を探索する新しいマルチレイヤレンダリングモジュールを設計する。
論文 参考訳(メタデータ) (2022-04-10T11:11:10Z) - Auto-weighted Multi-view Feature Selection with Graph Optimization [90.26124046530319]
グラフ学習に基づく新しい教師なしマルチビュー特徴選択モデルを提案する。
1) 特徴選択過程において, 異なる視点で共有されたコンセンサス類似度グラフが学習される。
各種データセットを用いた実験により,提案手法が最先端手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2021-04-11T03:25:25Z) - Learning Tuple Compatibility for Conditional OutfitRecommendation [13.265372545945112]
MCAN(Mixed Category Attention Net)は、細粒度および粗いカテゴリ情報をレコメンデーションに統合する。
MCANは必要に応じて、多種多様な制御可能なレコメンデーションを明示的にかつ効果的に生成できる。
新しいデータセットIQONはレコメンデーションシステムの一般化をテストするために使用できる。
論文 参考訳(メタデータ) (2020-08-18T23:22:16Z) - Personalized Fashion Recommendation from Personal Social Media Data: An
Item-to-Set Metric Learning Approach [71.63618051547144]
ソーシャルメディアデータからパーソナライズされたファッションレコメンデーションの問題について検討する。
本稿では,ユーザの過去のファッションアイテムと新しいファッションアイテムとの類似性を学習する,アイテムツーセットのメトリック学習フレームワークを提案する。
提案手法の有効性を検証するために,実世界のソーシャルメディアデータセットを収集する。
論文 参考訳(メタデータ) (2020-05-25T23:24:24Z) - Fashion Recommendation and Compatibility Prediction Using Relational
Network [18.13692056232815]
我々は、新しい互換性学習モデルを開発するための関係ネットワーク(RN)を開発する。
FashionRNは、任意の数のアイテムを任意の順序で、服全体の互換性を学習する。
我々はPolyvoreのウェブサイトから収集した49,740の服の大規模なデータセットを用いてモデルを評価した。
論文 参考訳(メタデータ) (2020-05-13T21:00:54Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。