論文の概要: TextileNet: A Material Taxonomy-based Fashion Textile Dataset
- arxiv url: http://arxiv.org/abs/2301.06160v1
- Date: Sun, 15 Jan 2023 19:02:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-18 17:01:44.147120
- Title: TextileNet: A Material Taxonomy-based Fashion Textile Dataset
- Title（参考訳）: TextileNet: 材料分類に基づくファッションテクスチャデータセット
- Authors: Shu Zhong, Miriam Ribul, Youngjun Cho, Marianna Obrist
- Abstract要約: 繊維素材の識別と分類は、ファッション繊維分野において重要な役割を担っている。
ファブリック素材, 分類, ファブリック分類に基づくファブリックファブリックテキスタイルネットを構築した。
TextileNetは、繊維材料の最先端ディープラーニングモデルのトレーニングと評価に使用することができる。
- 参考スコア（独自算出の注目度）: 18.178308615950026
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rise of Machine Learning (ML) is gradually digitalizing and reshaping the
fashion industry. Recent years have witnessed a number of fashion AI
applications, for example, virtual try-ons. Textile material identification and
categorization play a crucial role in the fashion textile sector, including
fashion design, retails, and recycling. At the same time, Net Zero is a global
goal and the fashion industry is undergoing a significant change so that
textile materials can be reused, repaired and recycled in a sustainable manner.
There is still a challenge in identifying textile materials automatically for
garments, as we lack a low-cost and effective technique for identifying them.
In light of this, we build the first fashion textile dataset, TextileNet, based
on textile material taxonomies - a fibre taxonomy and a fabric taxonomy
generated in collaboration with material scientists. TextileNet can be used to
train and evaluate the state-of-the-art Deep Learning models for textile
materials. We hope to standardize textile related datasets through the use of
taxonomies. TextileNet contains 33 fibres labels and 27 fabrics labels, and has
in total 760,949 images. We use standard Convolutional Neural Networks (CNNs)
and Vision Transformers (ViTs) to establish baselines for this dataset. Future
applications for this dataset range from textile classification to optimization
of the textile supply chain and interactive design for consumers. We envision
that this can contribute to the development of a new AI-based fashion platform.
- Abstract（参考訳）: 機械学習(ML)の台頭は、徐々にファッション業界をデジタル化し、形を変えつつある。
近年、たとえば仮想試行錯誤など、多くのファッションAIアプリケーションが目撃されている。
ファッションデザイン、小売業、リサイクルなど、ファッション繊維分野において、繊維素材の識別と分類が重要な役割を担っている。
同時に、ネットゼロは世界的な目標であり、ファッション産業は、繊維素材を持続可能な方法で再利用、修理、リサイクルできるように、大きな変化を遂げている。
衣料品の自動識別には、低コストで効果的な識別技術が欠けているため、依然として課題がある。
これを踏まえて、繊維分類学と繊維分類学を素材科学者と共同で作成した繊維分類学に基づいて、最初のファッション・テキスタイルデータセットであるTextileNetを構築した。
TextileNetは、繊維材料の最先端ディープラーニングモデルのトレーニングと評価に使用することができる。
分類学を用いて繊維関連データセットの標準化を期待する。
TextileNetには33のファイバーラベルと27のファブリックラベルがあり、合計760,949の画像がある。
我々は標準の畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)を使用して、このデータセットのベースラインを確立する。
このデータセットの今後の応用は、繊維分類から繊維サプライチェーンの最適化、消費者のためのインタラクティブデザインまで様々である。
これは、新しいAIベースのファッションプラットフォームの開発に貢献できると考えています。
関連論文リスト
- FabricDiffusion: High-Fidelity Texture Transfer for 3D Garments Generation from In-The-Wild Clothing Images [56.63824638417697]
ファブリックディフュージョン(FabricDiffusion)は、織物のテクスチャを1枚の衣服画像から任意の形状の3D衣服に転送する方法である。
FabricDiffusionは、テクスチャパターン、材料特性、詳細な印刷物やロゴを含む、単一の衣料品画像から様々な特徴を伝達できることを示す。
論文 参考訳（メタデータ） (2024-10-02T17:57:12Z) - GarmentCodeData: A Dataset of 3D Made-to-Measure Garments With Sewing Patterns [18.513707884523072]
縫製パターンを用いた3次元計測服の大規模合成データセットについて述べる。
GarmentCodeDataには115,000のデータポイントがあり、さまざまなデザインをカバーしている。
高速なXPBDシミュレータに基づくオープンソースの3D衣料ドレーピングパイプラインを提案する。
論文 参考訳（メタデータ） (2024-05-27T19:14:46Z) - FashionReGen: LLM-Empowered Fashion Report Generation [61.84580616045145]
先進大言語モデル(LLM)に基づく知的ファッション分析・報告システムを提案する。
具体的には、いくつかの重要な手順を備えた効果的なキャットウォーク分析に基づくFashionReGenの提供を試みる。
また、他の領域における工業的重要性を持つより高度なタスクの探索にも刺激を与えている。
論文 参考訳（メタデータ） (2024-03-11T12:29:35Z) - DressCode: Autoregressively Sewing and Generating Garments from Text Guidance [61.48120090970027]
DressCodeは、初心者向けのデザインを民主化し、ファッションデザイン、バーチャルトライオン、デジタルヒューマン創造において大きな可能性を秘めている。
まず,テキスト条件の埋め込みとクロスアテンションを統合して縫製パターンを生成する,GPTベースのアーキテクチャであるSewingGPTを紹介する。
次に、トレーニング済みの安定拡散を調整し、タイルベースの衣服用物理レンダリング(PBR)テクスチャを生成します。
論文 参考訳（メタデータ） (2024-01-29T16:24:21Z) - FIRST: A Million-Entry Dataset for Text-Driven Fashion Synthesis and
Design [10.556799226837535]
リッチ構造化テキスト(FIRST)記述を用いた100万枚の高解像度ファッション画像からなる新しいデータセットを提案する。
FISRTでトレーニングされた一般的な生成モデルの実験は、FIRSTの必要性を示している。
私たちはコミュニティに、よりインテリジェントなファッション合成とデザインシステムの開発を依頼します。
論文 参考訳（メタデータ） (2023-11-13T15:50:25Z) - Towards Garment Sewing Pattern Reconstruction from a Single Image [76.97825595711444]
ガーメント縫製パターンは、衣服の本質的な休息形態を表しており、ファッションデザイン、バーチャルトライオン、デジタルアバターといった多くの用途のコアとなっている。
まず,SewFactoryという多目的データセットを合成した。
次に、縫製パターン予測性能を大幅に向上させるSewformerと呼ばれる2レベルトランスフォーマーネットワークを提案する。
論文 参考訳（メタデータ） (2023-11-07T18:59:51Z) - UniFolding: Towards Sample-efficient, Scalable, and Generalizable
Robotic Garment Folding [53.38503172679482]
UniFoldingは、服の折り畳みと折り畳みを行うための、サンプル効率が高く、スケーラブルで、汎用的なロボットシステムである。
UniFoldingは提案されたUFONetニューラルネットワークを使用して、展開決定と折り畳み決定を単一のポリシーモデルに統合する。
このシステムは、長袖のシャツと短袖のシャツの2種類の衣服でテストされている。
論文 参考訳（メタデータ） (2023-11-02T14:25:10Z) - The Visual Language of Fabrics [14.926030595313447]
自由文記述を様々なファブリック素材にリンクする新しいデータセットであるtext2fabricを紹介する。
このデータセットは、3,000のファブリック素材の画像に関連付けられた15,000の自然言語記述からなる。
論文 参考訳（メタデータ） (2023-07-25T17:39:39Z) - Minimally-Supervised Structure-Rich Text Categorization via Learning on
Text-Rich Networks [61.23408995934415]
テキストリッチネットワークから学習することで,最小限に教師付き分類を行う新しいフレームワークを提案する。
具体的には、テキスト理解のためのテキスト解析モジュールと、クラス差別的でスケーラブルなネットワーク学習のためのネットワーク学習モジュールの2つのモジュールを共同でトレーニングします。
実験の結果,1つのカテゴリに3つのシード文書しか与えられず,その精度は約92%であった。
論文 参考訳（メタデータ） (2021-02-23T04:14:34Z) - FabricNet: A Fiber Recognition Architecture Using Ensemble ConvNets [0.0]
画像に基づく繊維認識システムの先駆的なアプローチであるFabricNetを提案します。
FabricNetは、布の表面画像のみを利用することで、大規模な繊維を認識できる。
本実験は50種類の繊維繊維を識別する実験である。
論文 参考訳（メタデータ） (2021-01-14T12:11:23Z) - Fashion Landmark Detection and Category Classification for Robotics [15.134184609780924]
我々は、大規模なファッションデータセットから、ロボットラボで収集されたあまり構造化されていない小さなデータセットまでを一般化できる技術に焦点を当てる。
提案手法は, これまでに見つからなかったデータセットを用いて, 衣服カテゴリー分類やファッションランドマーク検出において, 最先端技術モデルよりも優れていることを示す。
論文 参考訳（メタデータ） (2020-03-26T10:53:26Z)
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。