本發(fā)明涉及大數(shù)據(jù)、人工智能和深度學(xué)習(xí)技術(shù)領(lǐng)域，特別是指一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝搭配方法。

背景技術(shù)：

隨著互聯(lián)網(wǎng)的蓬勃發(fā)展，電子商務(wù)服裝搭配數(shù)據(jù)以指數(shù)級增長，服裝檢索和搭配技術(shù)成為了不可缺少的關(guān)鍵技術(shù)。服裝檢索技術(shù)可以幫助用戶快速找到心儀的服裝，智能的服裝搭配技術(shù)可以幫助廣大非服裝專業(yè)的普通用戶快速找到合適的搭配方案。如何構(gòu)建便捷、準(zhǔn)確的服裝檢索技術(shù)和面向普通用戶的智能服裝搭配技術(shù)是非常有意義的工作。

現(xiàn)有技術(shù)中，基于文本的圖像檢索技術(shù)(text-basedimageretrieval，tibr)需要人為對圖像信息進(jìn)行理解并且進(jìn)行標(biāo)注，但是由于圖像數(shù)量呈指數(shù)級增長，要對每一張圖片都進(jìn)行人工標(biāo)注是不可能完成的任務(wù)；傳統(tǒng)的基于內(nèi)容的圖像檢索技術(shù)(content-basedimageretrieval，cibr)使用的都是人工設(shè)計的圖像特征，人工設(shè)計的圖像特征的容錯性、健壯性和魯棒性都較差，因此由機(jī)器自主學(xué)習(xí)特征是較好的方式。

技術(shù)實現(xiàn)要素：

本發(fā)明要解決的技術(shù)問題是提供一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝搭配方法，以解決現(xiàn)有技術(shù)所存在的人工設(shè)計圖像特征和人工標(biāo)注的局限性的問題。

為解決上述技術(shù)問題，本發(fā)明實施例提供一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝搭配方法，包括：

獲取訓(xùn)練集和交叉驗證集，所述訓(xùn)練集和交叉驗證集都包括：服裝搭配圖像信息；

確定多個不同結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)，并利用所述訓(xùn)練集對每個深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，確定每個深度卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)；

確定每個深度卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)后，將所述交叉驗證集輸入到不同結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行深度卷積特征提??；

將提取的所述交叉驗證集的深度卷積特征進(jìn)行編碼生成圖像索引，根據(jù)得到的圖像索引進(jìn)行檢索，得到所述交叉驗證集中各交叉驗證樣本的檢索結(jié)果；

根據(jù)檢索結(jié)果，獲取檢索平均準(zhǔn)確率最高的深度卷積神經(jīng)網(wǎng)絡(luò)作為服裝搭配最優(yōu)模型；

將要搭配的服裝搭配圖像輸入所述服裝搭配最優(yōu)模型，由所述服裝搭配最優(yōu)模型輸出最佳服裝搭配返回給用戶。

進(jìn)一步地，不同結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)是使用不同數(shù)量的卷積層、最大池化層和全連接層進(jìn)行組合，組合規(guī)則為：卷積層連接最大池化層、最大池化層連接卷積層、卷積層連接最大池化層、最大池化層連接卷積層、……、卷積層連接最大池化層、最大池化層連接全連接層、全連接層連接全連接層、……。

進(jìn)一步地，若某深度卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括：輸入層、第一卷積層、第一最大池化層、第二卷積層、第二最大池化層、第三卷積層、第三最大池化層、全連接一層、全連接二層、全連接三層和輸出層；

所述輸入層，用于輸入服裝搭配圖像信息；

所述第一卷積層，用于與所述輸入層相連接，并根據(jù)輸入至所述輸入層的所述服裝搭配圖像信息生成第一卷積特征圖；

所述第一最大池化層，用于與所述第一卷積層相連接，并對所述第一卷積層生成的所述第一卷積特征圖進(jìn)行下采樣，將下采樣區(qū)域的最大值代替所有下采樣區(qū)域的所有特征數(shù)值，得到下采樣區(qū)域的第一最大采樣特征圖；

所述第二卷積層，用于與所述第一最大池化層相連接，并根據(jù)所述第一最大池化層得到的所述第一最大采樣特征圖生成第二卷積特征圖；

所述第二最大池化層，用于與所述第二卷積層相連接，并對所述第二卷積層生成的所述第二卷積特征圖進(jìn)行下采樣，將下采樣區(qū)域的最大值代替所有下采樣區(qū)域的所有特征數(shù)值，得到下采樣區(qū)域的第二最大采樣特征圖；

所述第三卷積層，用于與所述第二最大池化層相連接，并根據(jù)所述第二最大池化層得到的所述第二最大采樣特征圖生成第三卷積特征圖；

所述第三最大池化層，用于與所述第三卷積層相連接，并對所述第三卷積層生成的所述第三卷積特征圖進(jìn)行下采樣，將下采樣區(qū)域的最大值代替所有下采樣區(qū)域的所有特征數(shù)值，得到下采樣區(qū)域的第三最大采樣特征圖；

所述全連接一層，用于與所述第三最大池化層相連接，并根據(jù)所述第三最大池化層得到的所述第三最大采樣特征圖生成全連接一層特征圖；

所述全連接二層，用于與所述全連接一層相連接，并根據(jù)所述全連接一層生成的所述全連接一層特征圖生成全連接二層特征圖；

所述全連接三層，用于與所述全連接二層相連接，并根據(jù)所述全連接二層生成的所述全連接二層特征圖生成全連接三層特征圖；

所述輸出層，用于與所述全連接三層相連接，并根據(jù)所述全連接三層生成的所述全連接三層特征圖輸出深度卷積特征，所述深度卷積特征為服裝搭配套餐特征圖。

進(jìn)一步地，所述利用所述訓(xùn)練集對每個深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，確定每個深度卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)包括：

s1，初始化第一深度卷積神經(jīng)網(wǎng)絡(luò)的所有權(quán)重參數(shù)；

s2，根據(jù)訓(xùn)練集中給定的訓(xùn)練樣本進(jìn)行前向計算，生成輸出層的激活或抑制值；

s3，計算輸出層生成的激活或抑制值與實際真實值之間的誤差損失，確定反向傳播時的各層誤差損失；

s4，根據(jù)確定的反向傳播時的各層誤差損失，更新第一深度卷積神經(jīng)網(wǎng)絡(luò)的所有權(quán)重參數(shù)；

s5，重復(fù)執(zhí)行s2-s4，直至完成預(yù)定次數(shù)的權(quán)重參數(shù)更新，保存最后得到的所有權(quán)重參數(shù)。

進(jìn)一步地，所述將提取的所述交叉驗證集的深度卷積特征進(jìn)行編碼生成圖像索引包括：

將提取的所述交叉驗證集的深度卷積特征進(jìn)行特征詞袋編碼或局部聚合編碼。

進(jìn)一步地，所述交叉驗證集中各交叉驗證樣本的檢索結(jié)果包括：與交叉驗證集中每一張服裝搭配圖像相似性最高的前m張服裝搭配圖像，相似性按兩張圖像索引的余弦距離計算，圖像索引間余弦距離越大，則相應(yīng)的兩張服裝搭配圖像越相似。

進(jìn)一步地，所述檢索平均準(zhǔn)確率的計算公式表示為：

其中，map表示檢索平均準(zhǔn)確率，m表示檢索結(jié)果中與查詢目標(biāo)相關(guān)的結(jié)果數(shù)量，p(r)表示在位置r的檢索結(jié)果的準(zhǔn)確率，rel(r)表示在位置r的檢索結(jié)果與查詢目標(biāo)的相關(guān)性。

進(jìn)一步地，在將要搭配的服裝搭配圖像輸入所述服裝搭配最優(yōu)模型，由所述服裝搭配最優(yōu)模型輸出最佳服裝搭配返回給用戶之前，所述方法還包括：

對得到的所述服裝搭配最優(yōu)模型進(jìn)行測試。

進(jìn)一步地，所述對得到的所述服裝搭配最優(yōu)模型進(jìn)行測試包括：

獲取測試集，所述測試集包括：服裝搭配圖像信息；

將所述測試集輸入到服裝搭配最優(yōu)模型進(jìn)行深度卷積特征提?。?/p>

將提取的所述測試集的深度卷積特征進(jìn)行編碼生成圖像索引；

根據(jù)提取的所述測試集的深度卷積特征生成的圖像索引進(jìn)行檢索，得到所述測試集中各測試樣本的檢索結(jié)果，并將檢索到的最佳服裝搭配檢索結(jié)果返回給用戶。

進(jìn)一步地，在獲取訓(xùn)練集和交叉驗證集之后，所述方法還包括：

將所述訓(xùn)練集，交叉驗證集中的服裝搭配圖像信息進(jìn)行歸一化處理，并將歸一化處理后的信息轉(zhuǎn)化為預(yù)先設(shè)定的數(shù)據(jù)格式；

在獲取測試集之后，所述方法還包括：

將所述測試集中的服裝搭配圖像信息進(jìn)行歸一化處理，并將歸一化處理后的信息轉(zhuǎn)化為預(yù)先設(shè)定的數(shù)據(jù)格式。

本發(fā)明的上述技術(shù)方案的有益效果如下：

上述方案中，通過獲取訓(xùn)練集和交叉驗證集，所述訓(xùn)練集和交叉驗證集都包括：服裝搭配圖像信息；確定多個不同結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)，并利用所述訓(xùn)練集對每個深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，確定每個深度卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)；確定每個深度卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)后，將所述交叉驗證集輸入到不同結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行深度卷積特征提取；將提取的所述交叉驗證集的深度卷積特征進(jìn)行編碼生成圖像索引，根據(jù)得到的圖像索引進(jìn)行檢索，得到所述交叉驗證集中各交叉驗證樣本的檢索結(jié)果；根據(jù)檢索結(jié)果，獲取檢索平均準(zhǔn)確率最高的深度卷積神經(jīng)網(wǎng)絡(luò)作為服裝搭配最優(yōu)模型；將要搭配的服裝搭配圖像輸入所述服裝搭配最優(yōu)模型，由所述服裝搭配最優(yōu)模型輸出最佳服裝搭配返回給用戶。這樣，采用深度卷積神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)圖像特征，將平均準(zhǔn)確率最高的深度卷積神經(jīng)網(wǎng)絡(luò)作為服裝搭配最優(yōu)模型，利用所述服裝搭配最優(yōu)模型進(jìn)行服裝搭配，能夠增加系統(tǒng)的魯棒性、準(zhǔn)確性和可靠性，且能夠克服傳統(tǒng)檢索技術(shù)中人工設(shè)計圖像特征和人工標(biāo)注的局限性，提高檢索的平均準(zhǔn)確率。

附圖說明

圖1為本發(fā)明實施例提供的基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝搭配方法的流程示意圖；

圖2為本發(fā)明實施例提供的深度卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)示意圖。

具體實施方式

為使本發(fā)明要解決的技術(shù)問題、技術(shù)方案和優(yōu)點更加清楚，下面將結(jié)合附圖及具體實施例進(jìn)行詳細(xì)描述。

本發(fā)明針對現(xiàn)有的人工設(shè)計圖像特征和人工標(biāo)注的局限性的問題，提供一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝搭配方法。

如圖1所示，本發(fā)明實施例提供的基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝搭配方法，包括：

步驟101，獲取訓(xùn)練集和交叉驗證集，所述訓(xùn)練集和交叉驗證集都包括：服裝搭配圖像信息；

步驟102，確定多個不同結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)，并利用所述訓(xùn)練集對每個深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，確定每個深度卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)；

步驟103，確定每個深度卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)后，將所述交叉驗證集輸入到不同結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行深度卷積特征提??；

步驟104，將提取的所述交叉驗證集的深度卷積特征進(jìn)行編碼生成圖像索引，根據(jù)得到的圖像索引進(jìn)行檢索，得到所述交叉驗證集中各交叉驗證樣本的檢索結(jié)果；

步驟105，根據(jù)檢索結(jié)果，獲取檢索平均準(zhǔn)確率最高的深度卷積神經(jīng)網(wǎng)絡(luò)作為服裝搭配最優(yōu)模型；

步驟106，將要搭配的服裝搭配圖像輸入所述服裝搭配最優(yōu)模型，由所述服裝搭配最優(yōu)模型輸出最佳服裝搭配返回給用戶。

本發(fā)明實施例所述的基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝搭配方法，通過獲取訓(xùn)練集和交叉驗證集，所述訓(xùn)練集和交叉驗證集都包括：服裝搭配圖像信息；確定多個不同結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)，并利用所述訓(xùn)練集對每個深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，確定每個深度卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)；確定每個深度卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)后，將所述交叉驗證集輸入到不同結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行深度卷積特征提??；將提取的所述交叉驗證集的深度卷積特征進(jìn)行編碼生成圖像索引，根據(jù)得到的圖像索引進(jìn)行檢索，得到所述交叉驗證集中各交叉驗證樣本的檢索結(jié)果；根據(jù)檢索結(jié)果，獲取檢索平均準(zhǔn)確率最高的深度卷積神經(jīng)網(wǎng)絡(luò)作為服裝搭配最優(yōu)模型；將要搭配的服裝搭配圖像輸入所述服裝搭配最優(yōu)模型，由所述服裝搭配最優(yōu)模型輸出最佳服裝搭配返回給用戶。這樣，采用深度卷積神經(jīng)網(wǎng)絡(luò)自主學(xué)習(xí)圖像特征，將平均準(zhǔn)確率最高的深度卷積神經(jīng)網(wǎng)絡(luò)作為服裝搭配最優(yōu)模型，利用所述服裝搭配最優(yōu)模型進(jìn)行服裝搭配，能夠增加系統(tǒng)的魯棒性、準(zhǔn)確性和可靠性，且能夠克服傳統(tǒng)檢索技術(shù)中人工設(shè)計圖像特征和人工標(biāo)注的局限性，提高檢索的平均準(zhǔn)確率。

在前述基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝搭配方法的具體實施方式中，進(jìn)一步地，在獲取訓(xùn)練集和交叉驗證集之后，所述方法還包括：

將所述訓(xùn)練集，交叉驗證集中的服裝搭配圖像信息進(jìn)行歸一化處理，并將歸一化處理后的信息轉(zhuǎn)化為預(yù)先設(shè)定的數(shù)據(jù)格式；

在獲取測試集之后，所述方法還包括：

將所述測試集中的服裝搭配圖像信息進(jìn)行歸一化處理，并將歸一化處理后的信息轉(zhuǎn)化為預(yù)先設(shè)定的數(shù)據(jù)格式。

本實施例中，獲取服裝搭配圖像信息，將獲取的服裝搭配圖像信息劃分為訓(xùn)練集、交叉驗證集和測試集，其中，優(yōu)選地，訓(xùn)練集、交叉驗證集和測試集的圖像比例為3:1:1。

本實施例中，在進(jìn)行深度卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)之前，需將訓(xùn)練集、交叉驗證集和測試集中的服裝搭配圖像信息進(jìn)行歸一化處理，并將歸一化處理后的信息轉(zhuǎn)化為預(yù)先設(shè)定的數(shù)據(jù)格式，所述預(yù)先設(shè)定的數(shù)據(jù)格式可以是caffe能處理的lmdb或hdf5格式，其中，caffe是一種深度學(xué)習(xí)開源框架，lmdb和hdf5是兩種數(shù)據(jù)格式。

在前述基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝搭配方法的具體實施方式中，進(jìn)一步地，不同結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)是使用不同數(shù)量的卷積層、最大池化層和全連接層進(jìn)行組合，組合規(guī)則為：卷積層連接最大池化層、最大池化層連接卷積層、卷積層連接最大池化層、最大池化層連接卷積層、……、卷積層連接最大池化層、最大池化層連接全連接層、全連接層連接全連接層、……。

本實施例中，不同結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)是使用不同數(shù)量的卷積層、最大池化層和全連接層進(jìn)行組合，組合規(guī)則為：卷積層-最大池化層-卷積層-最大池化層-卷積層-最大池化層...卷積層-最大池化層-全連接層-全連接層...。

在前述基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝搭配方法的具體實施方式中，進(jìn)一步地，如圖2所示，若某深度卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)包括：輸入層、第一卷積層、第一最大池化層、第二卷積層、第二最大池化層、第三卷積層、第三最大池化層、全連接一層、全連接二層、全連接三層和輸出層；

所述輸入層，用于輸入服裝搭配圖像信息；具體的，所述輸入層以服裝搭配圖像數(shù)據(jù)的像素值作為輸入，用于構(gòu)成服裝搭配圖像信息，服裝搭配圖像數(shù)據(jù)是3維的數(shù)組結(jié)構(gòu)；

所述第一卷積層，用于與所述輸入層相連接，并根據(jù)輸入至所述輸入層的所述服裝搭配圖像信息生成第一卷積特征圖；

所述第一最大池化層，用于與所述第一卷積層相連接，并對所述第一卷積層生成的所述第一卷積特征圖進(jìn)行下采樣，將下采樣區(qū)域的最大值代替所有下采樣區(qū)域的所有特征數(shù)值，得到下采樣區(qū)域的第一最大采樣特征圖；

所述第二卷積層，用于與所述第一最大池化層相連接，并根據(jù)所述第一最大池化層得到的所述第一最大采樣特征圖生成第二卷積特征圖；

所述第二最大池化層，用于與所述第二卷積層相連接，并對所述第二卷積層生成的所述第二卷積特征圖進(jìn)行下采樣，將下采樣區(qū)域的最大值代替所有下采樣區(qū)域的所有特征數(shù)值，得到下采樣區(qū)域的第二最大采樣特征圖；

所述第三卷積層，用于與所述第二最大池化層相連接，并根據(jù)所述第二最大池化層得到的所述第二最大采樣特征圖生成第三卷積特征圖；

所述第三最大池化層，用于與所述第三卷積層相連接，并對所述第三卷積層生成的所述第三卷積特征圖進(jìn)行下采樣，將下采樣區(qū)域的最大值代替所有下采樣區(qū)域的所有特征數(shù)值，得到下采樣區(qū)域的第三最大采樣特征圖；

所述全連接一層，用于與所述第三最大池化層相連接，并根據(jù)所述第三最大池化層得到的所述第三最大采樣特征圖生成全連接一層特征圖；

所述全連接二層，用于與所述全連接一層相連接，并根據(jù)所述全連接一層生成的所述全連接一層特征圖生成全連接二層特征圖；

所述全連接三層，用于與所述全連接二層相連接，并根據(jù)所述全連接二層生成的所述全連接二層特征圖生成全連接三層特征圖；

所述輸出層，用于與所述全連接三層相連接，并根據(jù)所述全連接三層生成的所述全連接三層特征圖輸出深度卷積特征，所述深度卷積特征為服裝搭配套餐特征圖。

在前述基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝搭配方法的具體實施方式中，進(jìn)一步地，所述利用所述訓(xùn)練集對每個深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，確定每個深度卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)包括：

s1，初始化第一深度卷積神經(jīng)網(wǎng)絡(luò)的所有權(quán)重參數(shù)；

s2，根據(jù)訓(xùn)練集中給定的訓(xùn)練樣本進(jìn)行前向計算，生成輸出層的激活或抑制值；

s3，計算輸出層生成的激活或抑制值與實際真實值之間的誤差損失，確定反向傳播時的各層誤差損失；

s4，根據(jù)確定的反向傳播時的各層誤差損失，更新第一深度卷積神經(jīng)網(wǎng)絡(luò)的所有權(quán)重參數(shù)；

s5，重復(fù)執(zhí)行s2-s4，直至完成預(yù)定次數(shù)的權(quán)重參數(shù)更新，保存最后得到的所有權(quán)重參數(shù)。

本實施例中，深度卷積神經(jīng)網(wǎng)絡(luò)有多個，訓(xùn)練集的作用是：訓(xùn)練每個深度卷積神經(jīng)網(wǎng)絡(luò)，獲得每個深度卷積神經(jīng)的權(quán)重參數(shù)；以某深度卷積神經(jīng)網(wǎng)絡(luò)(例如，第一深度卷積神經(jīng)網(wǎng)絡(luò))為例，利用所述訓(xùn)練集對所述第一深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，確定所述第一深度卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)的具體步驟可以包括：

a1，初始化第一深度卷積神經(jīng)網(wǎng)絡(luò)的所有權(quán)重參數(shù)；本實施例中，可以將所述第一深度卷積神經(jīng)網(wǎng)絡(luò)的所有權(quán)重參數(shù)初始化為-1到1之間的隨機(jī)小數(shù)；

a2，根據(jù)訓(xùn)練集中給定的訓(xùn)練樣本進(jìn)行前向計算，生成輸出層的激活或抑制值；本實施例中，激活值為1，抑制值為0；

a3，計算輸出層生成的激活或抑制值與實際真實值之間的誤差損失，確定反向傳播時的各層誤差損失；

a4，根據(jù)確定的反向傳播時的各層誤差損失，更新第一深度卷積神經(jīng)網(wǎng)絡(luò)的所有權(quán)重參數(shù)；本實施例中，可以采用隨機(jī)梯度下降方法更新第一深度卷積神經(jīng)網(wǎng)絡(luò)的所有權(quán)重參數(shù)；

a5，重復(fù)執(zhí)行a2-a4，直至完成預(yù)定次數(shù)的權(quán)重參數(shù)更新，例如10萬次，至此，完成第一深度卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程，保存最后得到的所有權(quán)重參數(shù)；本實施例中，例如，可以將權(quán)重參數(shù)保存為caffe能處理的caffemodel格式。

在前述基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝搭配方法的具體實施方式中，進(jìn)一步地，所述將提取的所述交叉驗證集的深度卷積特征進(jìn)行編碼生成圖像索引包括：

將提取的所述交叉驗證集的深度卷積特征進(jìn)行特征詞袋編碼或局部聚合編碼。

本實施例中，交叉驗證集的作用是：從多個深度卷積神經(jīng)網(wǎng)絡(luò)選出最優(yōu)的深度卷積神經(jīng)網(wǎng)絡(luò)作為服裝搭配最優(yōu)模型。

本實施例中，確定每個深度卷積神經(jīng)網(wǎng)絡(luò)的權(quán)重參數(shù)后，將所述交叉驗證集輸入到不同結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行深度卷積特征提??；將提取的所述交叉驗證集的深度卷積特征進(jìn)行特征詞袋編碼或局部聚合編碼后，生成圖像索引；根據(jù)得到的圖像索引進(jìn)行檢索，得到所述交叉驗證集中各交叉驗證樣本的檢索結(jié)果；根據(jù)檢索結(jié)果，獲取檢索平均準(zhǔn)確率最高的深度卷積神經(jīng)網(wǎng)絡(luò)作為服裝搭配最優(yōu)模型。

本實施例中，得到的最高的檢索平均準(zhǔn)確率為98.5％，即：檢索平均準(zhǔn)確率為98.5％的深度卷積神經(jīng)網(wǎng)絡(luò)作為服裝搭配最優(yōu)模型。

在前述基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝搭配方法的具體實施方式中，進(jìn)一步地，所述交叉驗證集中各交叉驗證樣本的檢索結(jié)果包括：與交叉驗證集中每一張服裝搭配圖像相似性最高的前m張服裝搭配圖像，相似性按兩張圖像索引的余弦距離計算，圖像索引間余弦距離越大，則相應(yīng)的兩張服裝搭配圖像越相似。

在前述基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝搭配方法的具體實施方式中，進(jìn)一步地，所述檢索平均準(zhǔn)確率的計算公式表示為：

其中，map表示檢索平均準(zhǔn)確率，m表示檢索結(jié)果中與查詢目標(biāo)相關(guān)的結(jié)果數(shù)量，p(r)表示在位置r的檢索結(jié)果的準(zhǔn)確率，rel(r)表示在位置r的檢索結(jié)果與查詢目標(biāo)的相關(guān)性。

本實施例中，rel(r)＝0表示在位置r的檢索結(jié)果與查詢目標(biāo)相關(guān)；rel(r)＝1表示在位置r的檢索結(jié)果與查詢目標(biāo)不相關(guān)。

在前述基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝搭配方法的具體實施方式中，進(jìn)一步地，在將要搭配的服裝搭配圖像輸入所述服裝搭配最優(yōu)模型，由所述服裝搭配最優(yōu)模型輸出最佳服裝搭配返回給用戶之前，所述方法還包括：

對得到的所述服裝搭配最優(yōu)模型進(jìn)行測試。

在前述基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝搭配方法的具體實施方式中，進(jìn)一步地，所述對得到的所述服裝搭配最優(yōu)模型進(jìn)行測試包括：

獲取測試集，所述測試集包括：服裝搭配圖像信息；

將所述測試集輸入到服裝搭配最優(yōu)模型進(jìn)行深度卷積特征提??；

將提取的所述測試集的深度卷積特征進(jìn)行編碼生成圖像索引；

根據(jù)提取的所述測試集的深度卷積特征生成的圖像索引進(jìn)行檢索，得到所述測試集中各測試樣本的檢索結(jié)果，并將檢索到的最佳服裝搭配檢索結(jié)果返回給用戶。

本實施例中，所述測試集用于模擬用戶檢索，對得到的所述服裝搭配最優(yōu)模型進(jìn)行測試，對得到的所述服裝搭配最優(yōu)模型進(jìn)行測試的步驟可以包括：將所述測試集輸入到服裝搭配最優(yōu)模型，利用所述服裝搭配最優(yōu)模型對應(yīng)的權(quán)重參數(shù)提取所述測試集的深度卷積特征，將提取到的所述測試集的深度卷積特征保存在本地磁盤，對保存在本地磁盤的所述測試集的深度卷積特征進(jìn)行特征詞袋編碼或局部聚合編碼，生成便于保存在數(shù)據(jù)庫中并且便于查詢的圖像索引，所述圖像索引為向量，根據(jù)提取的所述測試集的深度卷積特征生成的圖像索引進(jìn)行檢索，得到所述測試集中各測試樣本的檢索結(jié)果，并將檢索到的最佳服裝搭配檢索結(jié)果返回給用戶。

需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。

以上所述是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出，對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明所述原理的前提下，還可以做出若干改進(jìn)和潤飾，這些改進(jìn)和潤飾也應(yīng)視為本發(fā)明的保護(hù)范圍。