采用最大均值差异和权重约束的服装识别迁移学习

王 鑫，钟跃崎,2

(1.东华大学 纺织学院， 上海 201620； 2.东华大学 纺织面料技术教育部重点实验室， 上海 201620)

服装图像识别是人工智能和深度学习图像识别的重要研究方向，现有研究的预测准确率已较高[1]，例如在大规模服装识别数据集DeepFashion上， Liu等[2]提出的FashionNet网络结构将服装类型识别的Top-3准确率提高到83.58%。然而，使用深度学习模型在取得这样的预测性能同时，仍然存在2个重要问题：①模型训练对于数据的需求很大，例如DeepFashion数据集使用800 000张图像来训练FashionNet模型；②训练好的模型泛化性能不佳。换言之，训练好的模型在预测任务发生变化时通常不能继续使用。如当时尚季节所发布的新品不存在于原来的数据集时，原来的模型将无法被重复使用，只能重新训练。上述问题加大了深度学习模型在服装图像识别任务中的部署难度。

一个常用的解决之道是利用迁移学习[3-4]的思想，即从一个源域识别任务提取知识并向另一个相似的目标域迁移，从而提高目标域的预测性能，减少训练时间和训练样本的数量[5]。迁移学习要求源域和目标域的数据之间存在相似性，不相似的源域和目标域数据可能会导致目标域的识别任务性能下降，即“负迁移”现象[3]。在服装图像识别领域，由于DeepFashion数据集包含丰富的已标注图像，经常被用作迁移学习的源域，文献[6-7]将DeepFashion划分为不同子集进行迁移学习实验，但是这些工作实验中的源域和目标域图像在同一个数据集之中，真实的服装迁移学习需要训练不同来源的图像和更加不同的目标域。……