論文の概要: POP: Mining POtential Performance of new fashion products via webly
cross-modal query expansion
- arxiv url: http://arxiv.org/abs/2207.11001v1
- Date: Fri, 22 Jul 2022 10:41:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-25 13:06:41.470904
- Title: POP: Mining POtential Performance of new fashion products via webly
cross-modal query expansion
- Title（参考訳）: POP:ウェブ型クロスモーダルクエリ拡張による新ファッション製品のマイニング性能
- Authors: Christian Joppi, Geri Skenderi, Marco Cristani
- Abstract要約: 本稿では,新ファッション製品性能予測問題に対する観測データを生成するデータ中心パイプラインを提案する。
私たちのパイプラインは、衣料品プローブの1つの利用可能な画像から始まる失われた過去を製造します。
バイナリ分類器は、Webイメージ上で確実な学習を行い、過去のファッション性やプローブイメージがこのファッション性の概念にどの程度準拠しているかを学習する。
- 参考スコア（独自算出の注目度）: 7.431424620490475
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a data-centric pipeline able to generate exogenous observation
data for the New Fashion Product Performance Forecasting (NFPPF) problem, i.e.,
predicting the performance of a brand-new clothing probe with no available past
observations. Our pipeline manufactures the missing past starting from a
single, available image of the clothing probe. It starts by expanding textual
tags associated with the image, querying related fashionable or unfashionable
images uploaded on the web at a specific time in the past. A binary classifier
is robustly trained on these web images by confident learning, to learn what
was fashionable in the past and how much the probe image conforms to this
notion of fashionability. This compliance produces the POtential Performance
(POP) time series, indicating how performing the probe could have been if it
were available earlier. POP proves to be highly predictive for the probe's
future performance, ameliorating the sales forecasts of all state-of-the-art
models on the recent VISUELLE fast-fashion dataset. We also show that POP
reflects the ground-truth popularity of new styles (ensembles of clothing
items) on the Fashion Forward benchmark, demonstrating that our webly-learned
signal is a truthful expression of popularity, accessible by everyone and
generalizable to any time of analysis. Forecasting code, data and the POP time
series are available at:
https://github.com/HumaticsLAB/POP-Mining-POtential-Performance
- Abstract（参考訳）: 本研究では,新ファッション製品性能予測(NFPPF)問題に対する外因性観測データを生成することのできるデータ中心パイプラインを提案する。
われわれのパイプラインは、洋服プローブの1枚の画像から、行方不明の過去を製作する。
まず、画像に関連するテキストタグを拡張して、過去に特定の時間にウェブにアップロードされたファッションやファッションのできない画像を検索する。
バイナリ分類器は、これらのWebイメージに対して、確実な学習によって堅牢にトレーニングされ、過去のファッション性やプローブイメージがこのファッション性の概念にどの程度準拠しているかを学習する。
このコンプライアンスは、潜在的なパフォーマンス(pop)時系列を生成し、早期に利用可能になった場合のプローブの実行方法を示している。
POPは、最近のVISUELLEファストファッションデータセットにおけるすべての最先端モデルのセールス予測を改善することで、プローブの将来のパフォーマンスを非常に予測可能であることを証明している。
また,POPはFashion Forwardベンチマークにおける新しいスタイル(服飾品のアンサンブル)の根本的人気を反映し,我々のWeb学習信号が真に人気を表現し,誰でもアクセスでき,分析のどの時点でも一般化可能であることを示す。
コード、データ、POP時系列は、https://github.com/HumaticsLAB/POP-Mining-Potential-Performance.comで公開されている。
関連論文リスト
- FashionFail: Addressing Failure Cases in Fashion Object Detection and Segmentation [7.483981721542115]
FashionFailは、オブジェクトの検出とセグメンテーションのためのEコマースイメージを備えた新しいデータセットである。
分析の結果,Attribute-Mask R-CNN や Fashionformer など,主要なモデルの欠点が明らかになった。
本稿では,一般的な障害を緩和し,モデルロバスト性を改善するために,単純データ拡張を用いたベースラインアプローチを提案する。
論文 参考訳（メタデータ） (2024-04-12T16:28:30Z) - Data Efficient Training with Imbalanced Label Sample Distribution for
Fashion Detection [5.912870746288055]
本稿では,長期データ分布を持つ多ラベル分類のためのディープニューラルネットワーク(DNN)の性能向上を目的とした,最先端の重み付き目的関数を提案する。
本実験では,ファッションアパレルのイメージに基づく属性分類を行い,新しい重み付け法に好適な性能を示した。
論文 参考訳（メタデータ） (2023-05-07T21:25:09Z) - Design-time Fashion Popularity Forecasting in VR Environments [9.621518697689128]
ファッションイメージを微調整したコンピュータビジョンパイプラインを開発し、関連する視覚特徴を抽出する。
我々は,新しい衣服の人気を予測できるマルチモーダル準自動回帰ニューラルネットワークであるMuQARを提案する。
提案されたHLSとMuQARはどちらも、主要なベンチマークデータセットの現在の最先端を越えられることを証明している。
論文 参考訳（メタデータ） (2022-12-14T12:30:03Z) - 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) - Leveraging Multiple Relations for Fashion Trend Forecasting Based on
Social Media [72.06420633156479]
Relation Enhanced Attention Recurrent(REAR)ネットワークという改良モデルを提案する。
KERNと比較して、REARモデルはファッション要素間の関係だけでなく、ユーザグループ間の関係も活用する。
長期トレンド予測の性能をさらに向上させるために、REAR法はスライディング時間的注意メカニズムを考案する。
論文 参考訳（メタデータ） (2021-05-07T14:52:03Z) - 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) - Knowledge Enhanced Neural Fashion Trend Forecasting [81.2083786318119]
本研究は,特定のユーザグループを対象とした,きめ細かいファッション要素の傾向の調査に焦点をあてる。
まず、Instagramから収集した大規模なファッショントレンドデータセット(FIT)に、時系列のファッション要素の記録とユーザー情報を抽出した。
本稿では,時系列データモデリングにおける深部再帰型ニューラルネットワークの機能を利用する知識強化型ニューラルネットワークモデル(KERN)を提案する。
論文 参考訳（メタデータ） (2020-05-07T07:42:17Z) - Using Artificial Intelligence to Analyze Fashion Trends [0.76146285961466]
本研究では,人工知能(A.I.)アルゴリズムを用いたデータ駆動量抽象手法を提案する。
A.I.モデルは、さまざまなシナリオ下で大規模なデータセットのファッションイメージに基づいてトレーニングされた。
A.I.モデルは検出された領域の豊富な記述を生成でき、画像中の衣服を正確に結合できることがわかった。
論文 参考訳（メタデータ） (2020-05-03T04:46:12Z) - 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。