論文の概要: Fashion Recommendation and Compatibility Prediction Using Relational Network

• arxiv url: http://arxiv.org/abs/2005.06584v1
• Date: Wed, 13 May 2020 21:00:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-03 12:39:55.685498
• Title: Fashion Recommendation and Compatibility Prediction Using Relational Network
• Title（参考訳）: リレーショナルネットワークを用いたファッション推薦と相性予測
• Authors: Maryam Moosaei, Yusan Lin, Hao Yang
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 18.13692056232815
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Fashion is an inherently visual concept and computer vision and artificial intelligence (AI) are playing an increasingly important role in shaping the future of this domain. Many research has been done on recommending fashion products based on the learned user preferences. However, in addition to recommending single items, AI can also help users create stylish outfits from items they already have, or purchase additional items that go well with their current wardrobe. Compatibility is the key factor in creating stylish outfits from single items. Previous studies have mostly focused on modeling pair-wise compatibility. There are a few approaches that consider an entire outfit, but these approaches have limitations such as requiring rich semantic information, category labels, and fixed order of items. Thus, they fail to effectively determine compatibility when such information is not available. In this work, we adopt a Relation Network (RN) to develop new compatibility learning models, Fashion RN and FashionRN-VSE, that addresses the limitations of existing approaches. FashionRN learns the compatibility of an entire outfit, with an arbitrary number of items, in an arbitrary order. We evaluated our model using a large dataset of 49,740 outfits that we collected from Polyvore website. Quantitatively, our experimental results demonstrate state of the art performance compared with alternative methods in the literature in both compatibility prediction and fill-in-the-blank test. Qualitatively, we also show that the item embedding learned by FashionRN indicate the compatibility among fashion items.
• Abstract（参考訳）: Fashionは本質的に視覚的な概念であり、コンピュータビジョンと人工知能(AI)はこの領域の将来を形作る上でますます重要な役割を担っている。 学習したユーザの好みに基づいてファッション製品を推奨する研究が数多く行われている。 しかし、単一のアイテムを推奨するだけでなく、AIはユーザーが既に持っているアイテムからスタイリッシュな衣装を作るのに役立つ。 互換性は、単一アイテムからスタイリッシュな衣装を作る上で重要な要素である。 これまでの研究は主にペアワイド互換性のモデリングに重点を置いてきた。 服全体を考えるアプローチはいくつかあるが、これらのアプローチには、豊富な意味情報、カテゴリラベル、アイテムの固定順序といった制限がある。 したがって、そのような情報が得られない場合、互換性を効果的に決定できない。 本研究では、新しい互換性学習モデルであるFashion RNとFashionRN-VSEを開発するために、Relation Network(RN)を採用し、既存のアプローチの限界に対処する。 fashionrnは、任意の数のアイテムを含む衣装全体の互換性を、任意の順序で学習する。 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。 実験の結果, 適合性予測と補間試験の両方において, 文献の代替法と比較して, 美術性能が定量的に評価された。 FashionRNが学習したアイテムの埋め込みは、ファッションアイテム間の互換性を示していることも、定性的に示している。

関連論文リスト

• Clothes-Changing Person Re-Identification with Feasibility-Aware Intermediary Matching [86.04494755636613]
  現在の衣服変更者の再識別(re-id)アプローチは通常、衣服に関係のない特徴に基づいて検索を行う。 本稿では,ファッション関連機能を検索に利用するためのFAIMフレームワークを提案する。 提案手法は, 広く使用されている衣服変化型re-idベンチマークにおいて, 最先端の手法よりも優れている。
  論文  参考訳（メタデータ） (2024-04-15T06:58:09Z)
• 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)
• VICTOR: Visual Incompatibility Detection with Transformers and Fashion-specific contrastive pre-training [18.753508811614644]
  Visual InCompatibility TransfORmer (VICTOR) は、1) 回帰としての全体的な互換性、2) ミスマッチアイテムの検出の2つのタスクに最適化されている。 Polyvore-MISFITと呼ばれる新しいデータセットを作成し、部分的にミスマッチした服を生成するために、Polyvoreの服のベンチマークを構築した。 一連のアブレーションと比較分析により、提案されたアーキテクチャは、現在のPolyvoreデータセットの最先端を競合し、越えることが可能であることを示している。
  論文  参考訳（メタデータ） (2022-07-27T11:18:55Z)
• Learning Fashion Compatibility from In-the-wild Images [6.591937706757015]
  筆者らは,自己教師型学習を通じて,現在地にあるストリートファッション画像から,互換性予測のための表現を学習する。 本研究の前提課題は、同一人物が着用する異なる項目の表現が、他人が着用するものよりも近いように定式化されている。 ファッションコンフィグレーションベンチマークとして,Polyvore と Polyvore-Disjoint の2種類について実験を行った。
  論文  参考訳（メタデータ） (2022-06-13T09:05:25Z)
• 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)
• Recommendation of Compatible Outfits Conditioned on Style [22.03522251199042]
  この作品は、実生活で身につけるようなスタイルやテーマを前提とした衣装を作り出すことを目的としている。 我々は、スムーズなラテント空間で衣装スタイルをレンダリングする新しいスタイルエンコーダネットワークを使用している。
  論文  参考訳（メタデータ） (2022-03-30T09:23:32Z)
• Arbitrary Virtual Try-On Network: Characteristics Preservation and Trade-off between Body and Clothing [85.74977256940855]
  本報告では,オールタイプの衣料品を対象としたArbitrary Virtual Try-On Network (AVTON)を提案する。 AVTONは、ターゲット服と参照者の特性を保存・交換することで、現実的な試行画像を合成することができる。 提案手法は,最先端の仮想試行法と比較して性能が向上する。
  論文  参考訳（メタデータ） (2021-11-24T08:59:56Z)
• 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)
• Addressing the Cold-Start Problem in Outfit Recommendation Using Visual Preference Modelling [51.147871738838305]
  本稿では,新しい視覚的嗜好モデリング手法を活用することで,新規ユーザに対するコールドスタート問題に対処する。 機能重み付けクラスタリングによるアプローチの活用を実演し、時事指向の衣装レコメンデーションをパーソナライズする。
  論文  参考訳（メタデータ） (2020-08-04T10:07:09Z)
• 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)
• Learning Diverse Fashion Collocation by Neural Graph Filtering [78.9188246136867]
  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。
  論文  参考訳（メタデータ） (2020-03-11T16:17:08Z)

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。