論文の概要: Trend-Aware Fashion Recommendation with Visual Segmentation and Semantic Similarity

• arxiv url: http://arxiv.org/abs/2506.07773v1
• Date: Mon, 09 Jun 2025 13:48:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.983472
• Title: Trend-Aware Fashion Recommendation with Visual Segmentation and Semantic Similarity
• Title（参考訳）: 視覚的セグメンテーションと意味的類似性を考慮したトレンド対応ファッションレコメンデーション
• Authors: Mohamed Djilani, Nassim Ali Ousalah, Nidhal Eddine Chenni,
• Abstract要約: 本稿では, ディープビジュアル表現, 衣服意識のセグメンテーション, セグメンテーション, セマンティックカテゴリーの類似性, ユーザ行動シミュレーションを統合した, 流行認識型, 視覚的なファッションレコメンデーションシステムを提案する。 セマンティックセグメンテーションにより非着衣領域をマスキングすることで,視覚的埋め込みに焦点を当てたパイプラインを抽出する。 現実的な買い物行動をシミュレートするために,ユーザ固有の傾向や商品の人気に左右される,総合的な購入履歴を生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a trend-aware and visually-grounded fashion recommendation system that integrates deep visual representations, garment-aware segmentation, semantic category similarity and user behavior simulation. Our pipeline extracts focused visual embeddings by masking non-garment regions via semantic segmentation followed by feature extraction using pretrained CNN backbones (ResNet-50, DenseNet-121, VGG16). To simulate realistic shopping behavior, we generate synthetic purchase histories influenced by user-specific trendiness and item popularity. Recommendations are computed using a weighted scoring function that fuses visual similarity, semantic coherence and popularity alignment. Experiments on the DeepFashion dataset demonstrate consistent gender alignment and improved category relevance, with ResNet-50 achieving 64.95% category similarity and lowest popularity MAE. An ablation study confirms the complementary roles of visual and popularity cues. Our method provides a scalable framework for personalized fashion recommendations that balances individual style with emerging trends. Our implementation is available at https://github.com/meddjilani/FashionRecommender
• Abstract（参考訳）: 本稿では, ディープビジュアル表現, 衣服意識のセグメンテーション, セグメンテーション, セマンティックカテゴリーの類似性, ユーザ行動シミュレーションを統合した, 流行認識型, 視覚的なファッションレコメンデーションシステムを提案する。 パイプラインでは,セマンティックセグメンテーションにより非ガーメント領域をマスキングし,事前学習したCNNバックボーン(ResNet-50,DenseNet-121,VGG16)を用いて特徴抽出を行った。 現実的な買い物行動をシミュレートするために,ユーザ固有の傾向や商品の人気に左右される,総合的な購入履歴を生成する。 勧告は、視覚的類似性、セマンティックコヒーレンス、人気アライメントを融合させる重み付けスコアリング関数を用いて計算される。 DeepFashionデータセットの実験では、一貫性のあるジェンダーアライメントと、ResNet-50による64.95%のカテゴリ類似性と低い人気MAEが達成された。 アブレーション研究は、視覚的・人気的手がかりの相補的な役割を裏付けるものである。 提案手法は,ファッションレコメンデーションをパーソナライズするためのスケーラブルなフレームワークを提供する。 私たちの実装はhttps://github.com/meddjilani/FashionRecommenderで利用可能です。

関連論文リスト

• Interactive Visualization Recommendation with Hier-SUCB [52.11209329270573]
  本稿では,従来のインタラクションからユーザフィードバックを学習する対話型パーソナライズドビジュアライゼーションレコメンデーション(PVisRec)システムを提案する。 よりインタラクティブで正確なレコメンデーションのために、PVisRec設定における文脈的半帯域であるHier-SUCBを提案する。
  論文  参考訳（メタデータ） (2025-02-05T17:14:45Z)
• PARSRec: Explainable Personalized Attention-fused Recurrent Sequential Recommendation Using Session Partial Actions [0.5801044612920815]
  共通のパターンと個人の行動に依存したアーキテクチャを提案する。 Nielsen Consumer Panel データセットの実証結果は,提案手法が最大27.9%のパフォーマンス向上を達成したことを示唆している。
  論文  参考訳（メタデータ） (2022-09-16T12:07:43Z)
• 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。