論文の概要: Design-time Fashion Popularity Forecasting in VR Environments
- arxiv url: http://arxiv.org/abs/2212.07187v1
- Date: Wed, 14 Dec 2022 12:30:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 15:13:28.585602
- Title: Design-time Fashion Popularity Forecasting in VR Environments
- Title（参考訳）: VR環境におけるデザインタイムファッション人気予測
- Authors: Stefanos-Iordanis Papadopoulos, Christos Koutlis, Anastasios
Papazoglou-Chalikias, Symeon Papadopoulos, Spiros Nikolopoulos
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.621518697689128
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Being able to forecast the popularity of new garment designs is very
important in an industry as fast paced as fashion, both in terms of
profitability and reducing the problem of unsold inventory. Here, we attempt to
address this task in order to provide informative forecasts to fashion
designers within a virtual reality designer application that will allow them to
fine tune their creations based on current consumer preferences within an
interactive and immersive environment. To achieve this we have to deal with the
following central challenges: (1) the proposed method should not hinder the
creative process and thus it has to rely only on the garment's visual
characteristics, (2) the new garment lacks historical data from which to
extrapolate their future popularity and (3) fashion trends in general are
highly dynamical. To this end, we develop a computer vision pipeline fine tuned
on fashion imagery in order to extract relevant visual features along with the
category and attributes of the garment. We propose a hierarchical label sharing
(HLS) pipeline for automatically capturing hierarchical relations among fashion
categories and attributes. Moreover, we propose MuQAR, a Multimodal
Quasi-AutoRegressive neural network that forecasts the popularity of new
garments by combining their visual features and categorical features while an
autoregressive neural network is modelling the popularity time series of the
garment's category and attributes. Both the proposed HLS and MuQAR prove
capable of surpassing the current state-of-the-art in key benchmark datasets,
DeepFashion for image classification and VISUELLE for new garment sales
forecasting.
- Abstract（参考訳）: 新しい衣料品のデザインの人気を予測できることは、利益率と未販売在庫の問題を減らし、ファッションと同じくらいのペースでファッション業界で非常に重要である。
そこで本研究では,バーチャルリアリティ・デザイナー・アプリケーション内のファッションデザイナーに対して,インタラクティブで没入型環境において,現在の消費者の嗜好に基づいて作品の微調整を行うための情報提供を行う。
これを実現するためには,(1) 提案手法が創造性を阻害するものではないこと,(2) 衣服の視覚的特徴にのみ依存すること,(2) 新しい衣服は,その将来的な人気を誇示する歴史的資料が欠如していること,(3) ファッションの傾向が概ね動的であること,といった課題に対処する必要がある。
この目的のために,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,衣服のカテゴリや属性とともに,関連する視覚的特徴を抽出する。
ファッションカテゴリと属性の階層的関係を自動的に捉えるための階層的ラベル共有(hls)パイプラインを提案する。
さらに,マルチモーダルな擬似自己回帰型ニューラルネットワークであるMuQARを提案し,その特徴と分類的特徴を組み合わせることで,衣服の人気を予測し,自己回帰型ニューラルネットワークが衣服のカテゴリーと属性の人気時系列をモデル化している。
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における現在の最先端を上回り、画像分類のためのDeepFashion、新しい衣料品販売予測のためのVISUELLEである。
関連論文リスト
- 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) - Multimodal Quasi-AutoRegression: Forecasting the visual popularity of
new fashion products [18.753508811614644]
ファッション業界の急速な変化のため、ファッションにおけるトレンド検出は難しい課題である。
コンピュータビジョンネットワークによって抽出されたマルチモーダル多層パーセプトロン処理のカテゴリと視覚的特徴であるMuQARを提案する。
VISUELLEデータセットの比較研究によると、MuQARはWAPEで2.88%、MAEで3.04%の競争力を持つ。
論文 参考訳（メタデータ） (2022-04-08T11:53:54Z) - Style-Based Global Appearance Flow for Virtual Try-On [119.95115739956661]
本研究では, 新たなグローバルな外見フロー推定モデルを提案する。
仮想試行ベンチマークによる実験結果から,本手法が新たな最先端性能を実現することを示す。
論文 参考訳（メタデータ） (2022-04-03T10:58:04Z) - 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) - Cloth Interactive Transformer for Virtual Try-On [106.21605249649957]
本稿では,仮想試行作業のための2段階のインタラクティブトランス (CIT) 手法を提案する。
第1段階では, CITマッチングブロックを設計し, 着物非依存者情報と着物内布情報との長距離相関関係を正確に把握することを目的とした。
第2段階では,人物表現のグローバルな相互相互依存関係を確立するためのCIT推論ブロック,整形衣料品,およびそれに対応する整形布マスクを作成した。
論文 参考訳（メタデータ） (2021-04-12T14:45:32Z) - A Federated Approach for Fine-Grained Classification of Fashion Apparel [4.328969982631974]
本論文は,ファッションアイテム属性の詳細な分類を可能にすることを目的としている。
提案手法は, (a) セマンティックセグメンテーションを用いた入力画像からの対象項目の局所化, (b) 事前学習したCNNとバウンディングボックスを用いた人間のキーポイント(例えば肩の点)の検出, (c) アルゴリズムアプローチとディープニューラルネットワークを組み合わせて属性を分類する3つのフェーズからなる。
論文 参考訳（メタデータ） (2020-08-27T19:44:43Z) - 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) - 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)
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。