基于深度学习的服装图案识别与生成研究

作     者：姜凯文 

作者单位：浙江理工大学 

学位级别：硕士

导师姓名：韩曙光;杨金昌

授予年度：2023年

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 12[管理学] 13[艺术学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：服装图案 深度学习 目标检测 DCGAN 快速风格迁移 

摘      要：服装图案是体现设计的一种形式,反映着服装流行趋势的重要信息。为快速自动获取服装图案信息,提高服装图像多特征识别效率,改善传统服装图案设计模式存在成本高效率低特点的问题并最终推动服装行业的数字化与智能化发展进程。论文将艺术领域与现代科技领域结合,提出利用深度学习的方法识别与生成服装图案。具体研究工作如下:服装图案识别方面,本文考虑款式、颜色、图案3种要素,建立了一个包含3种上衣款式、6种颜色、6种图案,共计15种类别的样本库,利用改进的轻量化VGGNet网络进行颜色与款式的识别,结合YOLOv3,Faster R-CNN,SSD目标检测算法实现图案的识别及定位。经过对比实验,服装款式与颜色的识别中轻量化改进的VGGNet准确率达到96.49%;服装图案检测中YOLOv3检测所得的m AP最高且达到86.66%,3大类图案中纹理类图案的检测效果最好,其m AP为96.14%,动物类图案m AP为83.69%,文字类图案m AP为79.80%。服装图案生成方面,本文采用两种方式研究服装图案获取生成。第一种生成式,本文提出了一种基于改进的深度卷积生成式对抗网络(DCGAN)模型的服装图案自动生成方法,鉴于服装图案对局部细节与整体美感的不同要求,主要从两个方面对DCGAN进行改进:使用PRe LU激活函数替换生成网络中的Re LU激活函数来获取丰富特征增加纹理类图案的局部细节与规律;在生成网络中添加注意力机制CA提高花草类与动物类图案的整体美感。引入客观与主观相结合的方式对生成的图案进行评价。研究结果表明,相较于传统DCGAN,论文所提的两种改进模型均有着更好的综合表现,且总体FID有所降低;纺织服装专业相关人员对该改进模型生成图案的质量、多样性、吸引性与启发性也有着良好的评价,具有较高的实践借鉴和应用价值。第二种变换式,本文提出了一种结合语义分割与风格迁移技术的服装图案智能设计与生成方法。前文研究发现具像类图案使用生成式方法生成的图案效果较差,于是引入具象类猫类图案作为研究对象,并选取水墨风、油画风和像素风三种风格作为风格标准。鉴于服装图案拥有不同构成元素的特点,构建Deep Lab V3+语义分割模型对目标图案与背景进行分割,设置不同特征提取网络的对比实验。风格迁移部分构建快速风格迁移模型,设置三组不同的内容损失与风格损失参数的对比实验。实验结果表明,相较于Xception主干网络的语义分割模型,Mobile Net V2主干网络的语义分割模型表现出更优的分割结果,它在兼具反应速度情况下,m Io U与m PA值分别达到了94.12%和96.98%。风格迁移实验中,综合个人分析、客观与主观评价结果,水墨风图案效果最好的参数是α=1e5,β=5e10;油画风是α=1e5,β=2e10;像素风是α=1e5,β=1e10。最后通过实例验证的方式,将猫类图案输入到快速风格迁移模型结合语义分割模型获取的掩码图像,成功生成混合风格服装图案。