论文阅读理解 - Part-based clothing image annotation by visual neighbor retrieval

Part-based clothing image annotation by visual neighbor retrieval

[Paper]

• 服装图像标注比较具有挑战性，由于衣服的形变大、人体姿态和背景的影响.
• part-based 服装图像标注
  • 基于 pose 检测和 part-based 特征对齐来消除服装形变的影响；
  • 同时考虑 tag 相关性和 tag 显著性(saliency) 来提取候选 tags；
  • 候选 tags 的相关性通过寻找待查询图像的视觉neighbors来确定；
  • 候选 tags 的显著性根据查询图像 parts 和 整个训练的 part 聚类中心(clusters) 之间的关系来确定；

  ​

1. Introduction

通用图像标注问题研究一般可分为两类：

• Model–based 方法 该类方法类似于多标签(multi-label) 分类问题. 一般是通过监督学习的方法训练一系列的 tag 分类器，再进行图像标注. 但，由于图像 tags 数量的无限性及连续增加，不可能对每个 tag 都训练一个分类器.
• Annotation by search 主要分为两步：(1)计算待查询图像与整个数据集的视觉相似性，来检索视觉相似样本； 然后将相思洋被的相关 tags 作为候选 tags；(2)以特定方式来估计各候选 tag 与待查询图像的相关性来进行 tags 重排名. 该类方法是无监督学习的，不需要学习 low-level 特征和 high-level 语义特征之间的映射关系，灵活性更高，更适合图像标注问题.

服装图像标注问题是对服装局部属性的详细描述，其需要服装图像的 top-ranked tags 不仅与服装图像内容相关，也要能反映服装的最重要的特征.

服装图像与通用图像标注的 tags 的一个例子如 Fig.1. 在服装图像中，通用 tags 如 “coat” 和 “Tshirt” 与图像内容相关，但还不足以描述该服装的代表性特征，还需要其它细节性描述来描述服装的显著特征，如“hollow shoulder(空心肩膀)”、“tassels(流苏)”，等.

这里写图片描述

服装图像标注的两个关键问题：

• 有效检索服装图像的视觉邻近样本；
• 分配相关和代表性强的 tags 到服装图像.

这里提出对应的解决方案——part-based 服装图像标注方法：

• 加入 tag 相关性和 tag 显著性
• 采用 part-based 显著性 tag 提取方法来选择服装图像的重要 tags，其主要是基于 part 聚类中心的类内(inter-cluster)和类间(intra-cluster)的相关性分析.

2. Part-baed 服装图像标注

2.1 方法框架

这里写图片描述

方法主要包括三部分：

[1] - 根据视觉相似性来检索相似服装图像(蓝色点方框). 采用 part-based 特征提取和特征对齐来缓解背景噪声和人体姿态形变的影响，以获取更准确的候选 tags；

[2] - 分析服装部分和其 tags 的相关性来提取各服装部分的突出性 tags(红色点方框)；

[3] - 结合 whole-image-based 相关性分析和 part-based 相关性分析来改善 tags(绿色点方框). 这些 tags 不仅与服装图像相关，还反应了服装的显著特征.

2.2 相似图片搜索

2.2.1 特征描述子提取

首先，采用 pose detector 对图像进行处理，以得到一组 parts，如 shoulder，elbow，wrist，torso等.各个 part 均归一化为 64*64 像素固定大小.

然后，对各 part，提取 24-D颜色直方图(color histogram)、59-D局部二值模式(local binary pattern, LBP)、1984-D HOG(histogtam of oriented gradients)、75-D边缘分布(edge distribution) 和 170-D 小波特征(wavelet features) 作为视觉特征表示.

最后，服装图像的 18 个 parts 的特征组合为一个 41616 维特征描述子，并采用 PCA 降维到 905 维，以提高检索效率. 如Fig.3.

这里写图片描述

2.2.2 相似性检索

采用 L2-distance 来作为 KNN 搜索方法的度量，检索相似图像. 构建 KD-树以实时索引图像样本. 在搜索阶段，设置 K=100. 为了进一步提高检索效率，可以采用 Hashing 方法，将高维视觉特征映射为 hash 编码.

2.3 part-based 显著性 tag 提取

首先，采用 pose detector 得到服装图像中的各关键 parts，如shoulders，elbows；

然后，针对各part，获取包含该 part 的图像块和对应的 tags. 将所有包含该 part 的图像块根据视觉特征进行聚类；

最后，结合类间和类内相关性分析，来选取各类的代表性 tags 列表. 如 Fig.4.

这里写图片描述

3. 实验结果

这里写图片描述

这里写图片描述

这里写图片描述