《表2 跨场景服装检索top-k精度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于多层次特征的跨场景服装检索》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

在上身服装图像上提取特征检索，实验中子网络均采用AlexNet结构，将4 096维的类别特征FCi和匹配特征FMi级联作为服装描述子。图4和表2为基准方法和本文方法在DeepFashion子数据集上的top-k精度对比，可知，在4种基线方法中，单一域网络结构且不考虑高层语义信息的AlexNet效果最差（P@20=0.150）。FashionNet (P@20=0.239）以及DARN (P@20=0.239）的表现比单一Siamese网络（P@20=0.150）要好，这是因为均采用了分支结构并且添加了高层语义信息。FashionNet的效果要优于DARN，这与DeepFashion中的实验结果一致，其分支结构虽未用于域特定特征，但通过多任务训练提高了检索精度。在对比试验中，未采用关键点和服装属性数据，这也导致本文方法（P@20=0.481）要优于FashionNet (P@20=0.431）。可以看出，在使用较少监督信息的情况下，本文方法的性能优于4个基准方法，结果与预期一致。通过结合高层语义信息和多分支网络，本文方法可以学习到更有表述力的服装特征描述子。