論文の概要: Breaking Moravec's Paradox: Visual-Based Distribution in Smart Fashion
Retail
- arxiv url: http://arxiv.org/abs/2007.09102v1
- Date: Fri, 10 Jul 2020 02:20:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 22:46:14.673859
- Title: Breaking Moravec's Paradox: Visual-Based Distribution in Smart Fashion
Retail
- Title(参考訳): モラベックのパラドックスを破る:スマートファッション小売における視覚的分布
- Authors: Shin Woong Sung, Hyunsuk Baek, Hyeonjun Sim, Eun Hie Kim, Hyunwoo
Hwangbo, and Young Jae Jang
- Abstract要約: 我々は,その視覚的イメージに基づいて,衣服のスタイルを効果的に表現する深層学習モデルを開発した。
チームは、服のイメージ表現に基づいて、各ストアの製品ミックスを効果的に決定する最適化モデルを開発した。
提案手法は、現実的なサプライチェーン問題に対処するために、AI(知覚と認知)と数学的最適化(論理計算)の両方を使用するという点において重要である。
- 参考スコア(独自算出の注目度): 5.0721440984179464
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we report an industry-academia collaborative study on the
distribution method of fashion products using an artificial intelligence (AI)
technique combined with an optimization method. To meet the current fashion
trend of short product lifetimes and an increasing variety of styles, the
company produces limited volumes of a large variety of styles. However, due to
the limited volume of each style, some styles may not be distributed to some
off-line stores. As a result, this high-variety, low-volume strategy presents
another challenge to distribution managers. We collaborated with KOLON F/C, one
of the largest fashion business units in South Korea, to develop models and an
algorithm to optimally distribute the products to the stores based on the
visual images of the products. The team developed a deep learning model that
effectively represents the styles of clothes based on their visual image.
Moreover, the team created an optimization model that effectively determines
the product mix for each store based on the image representation of clothes. In
the past, computers were only considered to be useful for conducting logical
calculations, and visual perception and cognition were considered to be
difficult computational tasks. The proposed approach is significant in that it
uses both AI (perception and cognition) and mathematical optimization (logical
calculation) to address a practical supply chain problem, which is why the
study was called "Breaking Moravec's Paradox."
- Abstract(参考訳): 本稿では,人工知能(AI)技術と最適化手法を組み合わせた,ファッション製品の流通方法に関する産学連携研究について報告する。
短い製品寿命の現在のファッショントレンドと多様なスタイルに対応するため、同社は様々なスタイルの限られたボリュームを生産している。
しかし、各形態のボリュームが限られているため、一部のオフライン店舗では流通しないものもある。
その結果、この多変量低ボリューム戦略は、ディストリビューションマネージャにとって別の課題となる。
我々は韓国最大のファッションビジネスユニットであるKOLON F/Cと協力して、商品の視覚イメージに基づいて商品をストアに最適に配布するモデルとアルゴリズムを開発した。
チームは、視覚イメージに基づいて服のスタイルを効果的に表現するディープラーニングモデルを開発した。
さらに、服のイメージ表現に基づいて、各店舗の商品ミックスを効果的に決定する最適化モデルを作成した。
かつてはコンピュータは論理計算を行うのにしか役に立たないと考えられており、視覚認識と認知は難しい計算課題と考えられていた。
提案されたアプローチは、ai(知覚と認知)と数学的最適化(論理計算)の両方を使用して実用的なサプライチェーン問題に対処するという点において重要である。
関連論文リスト
- MinT: Boosting Generalization in Mathematical Reasoning via Multi-View
Fine-Tuning [53.90744622542961]
数学領域における推論は、小言語モデル(LM)にとって重要な課題である。
多様なアノテーションスタイルで既存の数学的問題データセットを利用する新しい手法を提案する。
実験結果から,LLaMA-7Bモデルが先行手法より優れていることが示された。
論文 参考訳(メタデータ) (2023-07-16T05:41:53Z) - eP-ALM: Efficient Perceptual Augmentation of Language Models [70.47962271121389]
本稿では,既存モデルの適応性を向上するための直接的な取り組みを提案し,認識を伴う言語モデルの拡張を提案する。
視覚言語タスクに事前訓練されたモデルを適用するための既存のアプローチは、その効率を妨げているいくつかの重要なコンポーネントに依存している。
総パラメータの99%以上を凍結し,1つの直線射影層のみをトレーニングし,1つのトレーニング可能なトークンのみを予測することにより,我々のアプローチ(eP-ALM)は,VQAとCaptioningの他のベースラインよりも有意に優れていることを示す。
論文 参考訳(メタデータ) (2023-03-20T19:20:34Z) - Outfit Generation and Recommendation -- An Experimental Study [0.0]
我々は、ヨーロッパ最大のファッションストアのオンライン、現実世界のユーザーデータを用いて、衣装生成とレコメンデーションのための異なるアルゴリズムを比較した。
我々は、パーソナライズされた衣料品生成に適したものにするために、これらのモデルのいくつかのモデルに適用した適応を提示する。
論文 参考訳(メタデータ) (2022-11-29T16:36:00Z) - FaD-VLP: Fashion Vision-and-Language Pre-training towards Unified
Retrieval and Captioning [66.38951790650887]
ファッション分野におけるマルチモーダルタスクは、eコマースにとって大きな可能性を秘めている。
本稿では,ファッションとテクストのペアから構築した弱教師付き三つ組に基づく,ファッション特有の事前学習フレームワークを提案する。
3重項に基づくタスクは、標準的なマルチモーダル事前学習タスクに有効な追加であることを示す。
論文 参考訳(メタデータ) (2022-10-26T21:01:19Z) - 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) - A Comprehensive Survey of Image Augmentation Techniques for Deep
Learning [0.0]
ディープラーニングは、大量の画像を必要とするコンピュータビジョンにおいて、まともなパフォーマンスを実現している。
この問題を緩和するために、多くの画像拡張アルゴリズムが効率的かつ効率的な戦略として提案されている。
本稿では,深層学習のための画像拡張に関する包括的調査を行い,新しい情報的分類法を提案する。
論文 参考訳(メタデータ) (2022-05-03T13:45:04Z) - Multi-Purchase Behavior: Modeling, Estimation and Optimization [0.9337154228221861]
本稿では,Bundle-MVL-Kファミリーと呼ばれる,同種の選択モデルのマルチ購入ファミリを提案する。
このモデルに対して最適化されたレコメンデーションを効率的に計算するバイナリ検索に基づく反復戦略を開発する。
論文 参考訳(メタデータ) (2020-06-14T23:47:14Z) - 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) - 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。