<mark id="oztn4"></mark>
0
| 本文作者： 汪思穎 | 2018-09-29 16:56 |
雷鋒網 AI 科技評論按：隨著消費升級時代的來臨，中國時尚消費市場正漸漸變得更加個性化、精致化和多樣化，服飾的時尚風格對消費動機的影響愈漸加深，而隨著 AI 技術的發展，AI 也越來越多地被應用于時尚領域。
基于以上原因，京東集團 AI 平臺與研究院推出與時尚相關的 AI Fashion-Challenge 挑戰賽，該項賽事包括時尚風格識別和時尚單品搜索兩個子任務。
對于風格識別賽道，主要面臨兩大難題，一是基于京東真實數據集的樣本差異非常明顯，二是時尚還面臨主觀性和專業性問題，是非常具有難度的多標簽分類任務之一。本次競賽邀請了專業時尚設計界人士，在設計師指導下標注了大量京東的女裝商品照片的整體時尚風格，共分為 13 類風格。
另一個賽道是時尚單品搜索，這是時尚領域比較常見的視覺搜索任務，除了前面提到的主觀性挑戰，圖片中的物體具有不規則的特性，角度和形狀也具有多樣性，這也都為解決本問題帶來巨大挑戰。
據京東 AI 平臺與研究部葉韻博士介紹，本次比賽共有 212 支隊伍報名，52 支隊伍提交結果，共收到 12 份技術報告，參賽人員來自 6 個不同國家和地區，涵蓋 196 所大學和研究所，包含 31 家公司。最終，「西天取京」隊以 0.6834 F2 Score 獲得時尚風格識別子賽道冠軍，「Fashion_First」隊以 0.5886 mAP 獲得時尚單品搜索子賽道冠軍。
「西天取京」隊成員如下：
丁煌浩
dinghuanghao@gmail.com
萬輝
wanhui0729@gmail. com
「Fashion_First」隊成員如下：
陳亮雨，中國科學院自動化研究所實習生
吳旭貌，中國科學院自動化研究所實習生
方治煒，中國科學院自動化研究所博士在讀
劉靜（帶隊老師），中國科學院自動化研究所研究員
以下為這兩個賽道冠軍方案：
風格識別賽道
本次競賽開發數據包含 5.5 萬張經過專業標注的真實京東時尚單品展示圖，該數據用作模型訓練及調優。 測試數據包括 1 萬張經過專業標注的真實的京東時尚單品展示圖。任務描述如下：給定一張時尚照片 I，參賽算法需要預測
。
其中 S={運動，休閑，OL/通勤，日系，韓版，歐美，英倫，少女，名媛/淑女，簡約，自然，街頭/朋克， 民族}
工程方面：
以 Keras 作為基礎框架，對其進行了一定的優化和封裝，大大的加快了開發進度，具體如下：
采用 Config-Driven-Development 的開發方式，對所有的技術和參數進行封裝，只用修改配置文件即可自動進行訓練、評估、統計、集成。
擴展了 Keras 的數據加載器 ，使其支持 TTA、K-Fold Cross Validation。
將 Keras 的 Evaluate 方法改為異步，減少了訓練的中斷。
將 XGBoost 的參數分發到多臺 PC 訓練然后合并，縮短了訓練時長。
模型：
采用多種不同的 Backbone，包括 ResNet、Inception、Xception 等，后接兩個 FC 層，分別為 256、13 個神經元（多隱層提升并不大），兩層之間使用 BN，使用 Cross-Entropy Loss、Focal Loss 進行模型的訓練。這種結構相當于構建了 Multi-task 學習，比起每個標簽單獨訓練模型而言，速度更快，且精度更高。
數據增強：
使用了一些比較通用的方法，包括隨機裁剪(橫15%，縱10%)、拉伸(10%)、壓縮(10%)、水平翻轉。裁剪時考慮到人的比例，橫向和豎向的裁剪比例不同，這樣會有一定的提升。
除此之外，提出一種專門針對服裝的變色方案：
使用 MASK-RCNN 分割出人像；
根據人像區域中的顏色比例，推測出服裝的顏色；
對服裝顏色在全局進行 HSV 變換。
這種方法的好處是變化的平滑以及自然，缺點是一定程度上影響了背景。最終，一共生產出大約 130K 圖片，考慮到計算量，并沒有全部使用。
測試時，嘗試了兩種增強，一種是水平翻轉，一種是裁剪（左上、左下、右上、右下、中央）。五種裁剪操作加上翻轉一共有十種變換，雖然效果更好，但會有很大的性能損耗。最終僅采用了水平翻轉，可以將結果提高一個百分點左右。
處理標簽不均衡：
此次比賽的數據集存在嚴重的標簽不均衡，數量差異可達 480 倍。主要采用了如下的四種方案來解決：
上采樣：對所有稀疏標簽相關樣本進行上采樣。因為這是一個多標簽分類問題，雖然密集標簽相關樣本數量也會被連帶進行部分上采樣，但是比例會變得更均衡。
下采樣：因為小標簽本來就很少，如果再對它進行下采樣，后果會更加嚴重，因此下采樣時只對那些所有標簽都是密集標簽的樣本進行下采樣，不會影響到稀疏標簽相關樣本。
數據生成：使用前面提到的服裝變色技術對稀疏標簽相關樣本進行變色。
優化損失函數：使用 Focal Loss（使用網格搜索法進行了簡單的調參），提升了 1% 左右。如果與加權法相結合，應該會帶來更好的效果（參考第二名）。
下圖左邊是上采樣之后各個標簽的 F2 score，右邊是提升值。比賽中對 0，3，6，12 這四個標簽進行了上采樣，可以看到這四個標簽平均提升值大約在 3.5% 左右。
下采樣過程中隨機對樣本進行刪除，分別測試了 20%，40% 和 60% 的下采樣，可以看到 20% 的時候效果最好。
調參：主要使用 Adam，batch-size 為 32，圖像短邊為 224（經測試，尺寸越大結果越好，但由于算力限制，仍以 224 為主），使用 Cyclic Learning Rate 和階段性 Fine Tuning（以較大的學習率訓練后幾層，然后逐步增加訓練的層數并減小學習率，最初始的幾層不進行訓練），這可以加快速度，并提高準確率。
閾值搜索：
由于每個標簽的概率分布不同，因此需要不同的閾值（如某些數量較小的標簽，輸出值往往低于 0.5，而數量較多的標簽輸出值大于 0.5）。
我們嘗試了三種方案：第一是固定閾值，人為根據概率分布去篩選閾值。第二，用 L-BFGS 去搜索，第三，只用了貪心搜索。最后得出來的結果是，固定閾值效果較差，L-BFGS 和貪心搜索差異不大，但貪心搜索更快，也更穩定。
為了驗證 CV 集上貪心搜索的泛化能力，我們在后來官方公布的測試集上也進行了搜索，并進行了對比，發現 CV 上的閾值和 TEST 上的閾值之間的差異小于 0.1，而且是類似正態分布。不管是密集標簽還是稀疏標簽，都是這樣的分布，可見貪心搜索算法在本任務中有較好的泛化能力。
模型集成：
模型集成的關鍵主要是在于模型的「好而不同」，即模型效果首先要效果好，還要具有多樣化。我們使用如下方法來實現：
第一，使用了多種優秀的 backbone網絡，包括ResNet、Inception、Xception、DenseNet 等；
第二，針對每個模型，在訓練過程中對參數、數據集進行微擾；
第三，我們計算了所有模型的模型相關度，篩選掉相關性大于 90% 的模型。
第四，基于每個標簽獨立挑選最優秀的模型。由于訓練過程中，不同標簽到達最優的 epoch 不同，因此我們以標簽為單位根據 F2-Score 對所有模型的所有 epoch 進行統一排序，并挑選 Top-N 模型。
集成方法是使用 Stacking + Bagging 進行集成。訓練階段，首先使用 5-fold validation 訓練大量 CNN 模型，并將所有 fold 的預測拼接在一起構成新的數據集輸入到XGBoost 中，同樣使用 5-fold validation 訓練 XGBoost。預測階段，將圖片輸入 5-fold 的 CNN 網絡，然后再分別輸入到 5-fold 的 XGBoost，最后通過投票的方式得到最終輸出。
詳細信息參見：
https://fashion-challenge.github.io/西天取京.pdf
時尚單品搜索
任務：給定一個大規模時尚單品的電商展示圖集合 S，其中每個時尚商品都屬于{上衣， 鞋子，箱包}中的某一類。對于任意一張時尚單品的用戶實拍圖 q，都存在一個與之相匹配的電商展示圖集合
本賽中，設定任意的用戶實拍圖 q 都至少存在一張商品同款圖在S中。參賽算法需把 S 中的電商展示圖依照與 q 的相似度降序排列，提交前10的最相似圖片。
本次比賽的難點主要有兩方面：第一，商品匹配的細節化，這意味著兩個商品圖片是否匹配，其關鍵點往往取決于某幾個局部細節的異同。第二，商品成像角度的多樣性。任意一件商品都可能從任意一個角度被呈現出來，這會導致匹配的商品圖像視覺特征差異很大。
近幾年，隨著深度學習的發展，圖像檢索的研究也隨之被大大推進。卷積神經網絡在解決光照、尺度、紋理等問題上面展現出很強的優越性。但是對于本賽事中的商品檢索任務所面臨的上述兩個問題，卻仍然是一個極大的挑戰。在本次比賽中，Fashion_First 團隊提出一種多粒度局部對齊神經網絡，有效解決上述兩個問題，使得商品檢索的精度有了很大的提高。
此次冠軍方案主要有以下兩個亮點：
第一，構建了一個同時兼顧多粒度與局部對齊匹配的神經網絡，在保證模型對全局信息的抓取能力的情況下，大大增強了對不同局部信息的表達能力。
第二，團隊創造性地提出環形池化方法，在幾乎不增加模型參數和計算量的情況下，使模型擁有旋轉不變性特征的學習能力。
網絡框架
Fashion_First 采用的網絡是 ResNet101，在訓練模型之前，對檢索庫的圖片進行了預分類，最后的效果將近 99%，符合使用需求。不同于現在大多數人使用基于度量 Loss 的網絡，我們依舊把這一個任務看成一個分類問題，既簡單又高效。
網絡有四個分支：全局分支，橫向分支，縱向分支以及環形分支。
全局分支負責學習全局特征，以保持模型對整體信息的抓取能力。橫向分支主要學習具有水平方向的平移不變性的特征，為了能夠在不同尺度上學習這一特征，模型對特征圖在水平方向上進行不同粒度的切分：一個均分為兩等分，一個均分為三等分。最終水平方向會產生 5 個局部特征，每個局部特征都會經過平均池化和最大值池化以及一個 1x1 卷積后用于商品分類器的訓練。類似地，縱向分支的目的是學習具有垂直方向平移不變性的特征。
與上面不同的是環形分支，其任務是學習具有旋轉不變性的特征。與 STN 和可變卷積不同，Fashion_First 團隊提出環形池化方法，不需要額外參數，即可保持旋轉不變性。其具體做法是對原始特征圖從中心開始，按照不同半徑，提取環形特征子圖（實際操作采用方環形而非圓環形的方式提取）進行均值池化和最大值池化，然后相加起來。這種方式在理論上可以輕松保持 360 度的旋轉不變性，并且在試驗中也取得了很好的效果。
上述四個分支構成多粒度的局部對齊神經網絡，訓練過程簡單高效，檢索結果性能優異，取得了本次賽事單品搜索任務的第一名。
實現細節
此次比賽在參數的設定上，整體的 Loss 值使用各個分支的交叉熵 Loss 的和，輸入圖片的尺寸為 384×384。在訓練過程中，batch size 最初設置為 64，Adam 優化器的初始學習率設置為 0.06，在 20 個 epoch 的時候衰減到 0.012，大概在 55-60 epoch，可以得到收斂。
以下是實驗結果，可以看到水平、垂直和環形三種方式的對比，環形相較另外兩種方式能得到很大的提升，另外不同的主干網絡得到的結果也有著較大的差異。
比賽的最后階段主要進行的是模型融合，相似網絡結構的模型融合的提升效果一般。主要融合的模型有四個 Resnet101, Resnet152, Resnext101 和 Densenet169，最后得到的 mAP 為 0.55886，與單模型相比有著 2 個點的提升。
詳細信息可以參見：
https://fashion-challenge.github.io/fashion_first.pdf
比賽更多信息：
https://fashion-challenge.github.io/#index
雷鋒網雷鋒網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
