基于卷积神经网络的汉服关键尺寸自动测量

发布时间：2021-08-27 00:47

　　在样本数据稀缺的情况下,为快速准确地获取古代汉服的关键尺寸数据,提出一种基于卷积神经网络的汉服尺寸测量方案。首先搭建1个二阶段卷积神经网络模型Global Net-Refine Net进行关键点检测,通过2次迁移学习和反复迭代训练提高关键点识别准确率;再利用算法得到坐标点的像素距离,结合博物馆或发掘报告中给出的汉服平铺图和至少1个真实测量尺寸,通过比例映射得到全衣的尺寸数据。以汉服上衣为例进行实验验证,结果表明:经过2次迁移学习,卷积神经网络模型的收敛程度高,训练效果好,通过该方案测得的汉服上衣尺寸相对误差在0.59%～4.17%之间;该方案为传统服饰的复原研究和文物尺寸测量工作提供了新思路。 

【文章来源】：纺织学报. 2020,41(12)北大核心EICSCD

【文章页数】：6 页

【部分图文】：

Global Net金字塔网络结构

图1 Global Net金字塔网络结构此外，Global Net和Refine Net均采用损失函数Smooth L2进行关键点的回归预测，计算公式如下:

从淘宝网、汉服荟等电商平台收集1 000张现代汉服平铺图，选取标准为服装实物是依照传世文物仿制或遵循传统形制平裁而成的。通过对收集的图片进行旋转、增加适当噪声等操作，将样本容量扩充到5 000张，作为第2次迁移学习的数据集。将第1次学习后的参数模型作为预训练模型输入网络，再利用现代汉服数据集进行第2次迁移学习，最终得到一个能够较好地识别汉服轮廓特征的网络参数模型，如图3所示。经过反复迭代训练发现，迭代曲线呈收敛趋势，且当迭代次数达到300 000次，2次迁移学习的loss指数分别下降至0.2和0.18，说明模型收敛程度高，训练效果好。


本文编号：3365303