論文の概要: DL-EWF: Deep Learning Empowering Women's Fashion with Grounded-Segment-Anything Segmentation for Body Shape Classification
- arxiv url: http://arxiv.org/abs/2404.04891v1
- Date: Sun, 7 Apr 2024 09:17:00 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-09 19:01:21.939869
- Title: DL-EWF: Deep Learning Empowering Women's Fashion with Grounded-Segment-Anything Segmentation for Body Shape Classification
- Title（参考訳）: DL-EWF:体型分類のためのグラウンド・セグメンション・アニーシング・セグメンテーションによる女性ファッションの深層学習
- Authors: Fatemeh Asghari, Mohammad Reza Soheili, Faezeh Gholamrezaie,
- Abstract要約: ファッション業界で最も厳しい課題の1つは、体型と購入した個人の衣服のミスマッチである。
人体形状を決定する従来の方法は、その正確性、高いコスト、時間のかかる性質のために制限されている。
デジタルイメージングとディープニューラルネットワーク(DNN)を利用した新しいアプローチが導入された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The global fashion industry plays a pivotal role in the global economy, and addressing fundamental issues within the industry is crucial for developing innovative solutions. One of the most pressing challenges in the fashion industry is the mismatch between body shapes and the garments of individuals they purchase. This issue is particularly prevalent among individuals with non-ideal body shapes, exacerbating the challenges faced. Considering inter-individual variability in body shapes is essential for designing and producing garments that are widely accepted by consumers. Traditional methods for determining human body shape are limited due to their low accuracy, high costs, and time-consuming nature. New approaches, utilizing digital imaging and deep neural networks (DNN), have been introduced to identify human body shape. In this study, the Style4BodyShape dataset is used for classifying body shapes into five categories: Rectangle, Triangle, Inverted Triangle, Hourglass, and Apple. In this paper, the body shape segmentation of a person is extracted from the image, disregarding the surroundings and background. Then, Various pre-trained models, such as ResNet18, ResNet34, ResNet50, VGG16, VGG19, and Inception v3, are used to classify the segmentation results. Among these pre-trained models, the Inception V3 model demonstrates superior performance regarding f1-score evaluation metric and accuracy compared to the other models.
- Abstract（参考訳）: グローバルファッション産業は、世界経済において重要な役割を担い、革新的なソリューションを開発するためには、業界内の根本的な問題に対処することが不可欠である。
ファッション業界で最も厳しい課題の1つは、体型と購入した個人の衣服のミスマッチである。
この問題は、非理想的な体型を持つ個人の間で特に顕著であり、直面した課題をさらに悪化させる。
身体形状の個人間変動を考慮することは、消費者に広く受け入れられる衣服の設計・製造に不可欠である。
人体形状を決定する従来の方法は、その正確性、高いコスト、時間のかかる性質のために制限されている。
デジタルイメージングとディープニューラルネットワーク(DNN)を利用した新しいアプローチが導入された。
本研究では、Style4BodyShapeデータセットを使用して、体形を5つのカテゴリ(矩形、三角形、反転三角形、Hourglass、Apple)に分類する。
本稿では、人物の身体形状のセグメンテーションを画像から抽出し、周囲や背景を無視する。
次に、セグメンテーション結果の分類には、ResNet18、ResNet34、ResNet50、VGG16、VGG19、Inception v3などの事前訓練済みモデルを使用する。
これらの事前訓練モデルのうち、インセプションV3モデルは、他のモデルと比較してf1スコアの評価基準と精度に関して優れた性能を示す。
関連論文リスト
- Leveraging Anthropometric Measurements to Improve Human Mesh Estimation and Ensure Consistent Body Shapes [12.932412290302258]
推定した3次元キーポイント位置の精度に関して,SOTA 3D人間ポーズ推定(HPE)モデルがHMEモデルより優れていることがわかった。
A2Bと呼ばれるモデルを作成し、人間のメッシュモデルの基本形状パラメータに変換する。
論文 参考訳（メタデータ） (2024-09-26T09:30:37Z) - HUMOS: Human Motion Model Conditioned on Body Shape [54.20419874234214]
身体形状に基づく生成運動モデルを構築するための新しいアプローチを提案する。
非ペアデータを使ってこのモデルをトレーニングすることが可能であることを示す。
得られたモデルは、多種多様で、物理的に妥当で、動的に安定した人間の動きを生成する。
論文 参考訳（メタデータ） (2024-09-05T23:50:57Z) - ShapeBoost: Boosting Human Shape Estimation with Part-Based
Parameterization and Clothing-Preserving Augmentation [58.50613393500561]
本研究では,新しい形状復元フレームワークであるShapeBoostを提案する。
稀な体型であってもピクセルレベルのアライメントを実現し、異なるタイプの服を着ている人には高い精度が期待できる。
論文 参考訳（メタデータ） (2024-03-02T23:40:23Z) - Learning Clothing and Pose Invariant 3D Shape Representation for
Long-Term Person Re-Identification [16.797826602710035]
我々は、LT-ReIDを歩行者認識を超えて、より広範囲の現実世界の人間活動を含むよう拡張することを目指している。
この設定は、人間のポーズや衣服の多様性によって引き起こされる幾何学的ミスアライメントと外観の曖昧さによって、さらなる課題を生じさせる。
非同一性成分から同一性を引き離すための3DInvarReIDを提案する。
論文 参考訳（メタデータ） (2023-08-21T11:51:46Z) - Human Body Shape Classification Based on a Single Image [1.3764085113103217]
一つの画像から人体形状を分類する手法を提案する。
提案手法は, 分類の結果, 3次元ボディレクリエーションを必要としない。
結果として得られる体形分類は、様々な下流タスクで利用することができる。
論文 参考訳（メタデータ） (2023-05-29T11:47:43Z) - ALiSNet: Accurate and Lightweight Human Segmentation Network for Fashion
E-Commerce [57.876602177247534]
スマートフォンは、ユーザーが自分の身体の画像をキャプチャする便利な手段を提供する。
我々は、PointRendでSemantic FPNを単純化することで、新しいセグメンテーションモデルを作成する。
我々は、このモデルを、私たちのアプリケーションに関連するポーズの制限されたセットで、高品質な人間のデータセットに微調整する。
論文 参考訳（メタデータ） (2023-04-15T11:06:32Z) - FitGAN: Fit- and Shape-Realistic Generative Adversarial Networks for
Fashion [5.478764356647437]
本稿では,衣料の絡み合ったサイズと適合特性を考慮に入れた生成的敵モデルFitGANを提案する。
本モデルでは, ファッション記事の真の適合性や形状を反映したリアルな画像を生成する。
論文 参考訳（メタデータ） (2022-06-23T15:10:28Z) - LatentHuman: Shape-and-Pose Disentangled Latent Representation for Human
Bodies [78.17425779503047]
本稿では,人体に対する新しい暗黙の表現法を提案する。
完全に微分可能で、非交叉形状で最適化可能であり、潜在空間を映し出す。
我々のモデルは、よく設計された損失を伴う、水密でない生データを直接訓練し、微調整することができる。
論文 参考訳（メタデータ） (2021-11-30T04:10:57Z) - Detailed Avatar Recovery from Single Image [50.82102098057822]
本稿では,単一画像からエンフデテールアバターを回収するための新しい枠組みを提案する。
階層的メッシュ変形フレームワークでは、ディープニューラルネットワークを使用して3次元形状を洗練しています。
本手法は,皮膚モデルを超えて,完全なテクスチャで詳細な人体形状を復元することができる。
論文 参考訳（メタデータ） (2021-08-06T03:51:26Z) - LEAP: Learning Articulated Occupancy of People [56.35797895609303]
我々は、人体の新たな神経占有表現であるleap(learning articulated occupancy of people)を紹介する。
骨変換の集合と空間内の問合せ点が与えられると、leapはまずクエリポイントを学習線形ブレンドスキン(lbs)関数を介して正準空間にマッピングする。
LEAPは、正則空間における正確な同一性およびポーズ依存変形をモデル化する占有ネットワークを介して、占有値を効率的にクエリする。
論文 参考訳（メタデータ） (2021-04-14T13:41:56Z)
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。