向AI转型的程序员都关注了这个号👇👇👇python
机器学习AI算法工程 公众号：datayx程序员
时装业是人工智能领域颇有前景的领域。 研究人员能够开发具备必定实用价值的应用。 我已经在这里展现了我对这个领域的兴趣，在那里我开发了一个来自Zalando在线商店的推荐和标记服装的解决方案。web
在这篇文章中，咱们会开发一个提取连衣裙的应用。 它输入原始的图像（从网络上下载或用智能手机拍照），并提取图像中的连衣裙。 分割的难点在于原始图像中存在了大量的噪声，可是咱们会在预处理期间经过一个技巧来解决这个问题。面试
最后，您还能够尝试将此解决方案与以前引用的解决方案合并。 这容许您经过外出和拍摄时拍摄的照片，开发一个实时推荐和标记服装的系统。算法
项目下载地址flask
关注微信公众号 datayx 而后回复 穿衣 便可获取。微信
AI项目体验地址 https://loveai.tech网络
数据集
最近有一项关于服装视觉分析和分割的Kaggle比赛。 这是一个很是有趣的比赛，但它并不适合咱们。 咱们的目标是从图像中提取连衣裙，所以这个数据集不太适合咱们，由于它包含了比较多的冗余。 咱们须要的是包含连衣裙的图像，所以最好本身来构建数据集。app
我收集了网络上的一些图片，其中包含了在不一样场景穿着不一样类型的连衣裙的人。 而后须要建立蒙版，它在每一个对象分割任务中都是必要的。机器学习
下面是咱们的数据样本。 我从互联网上收集了一些原始图像，通过进一步剪切，将人与衣服分开。
图像分割示例
由于咱们要将背景、皮肤和连衣裙进行分离，首先要将它们区分出来。 背景和皮肤是本问题中最相关的噪声源，咱们要尽可能减小它们的干扰。
经过手动分割来建立蒙版，以下图所示，简单的对蒙版进行二值化。
蒙版示例
最后一步，咱们将全部的蒙版图像合并为三维的单个图像。 这张照片表示了原始图像的相关特征。咱们的目的主要是分离背景，皮肤和连衣裙，所以这个图像很是适合！
最终蒙版
咱们对数据集中的每一个图像重复这个过程，为每一个原始图像提供三维的对应蒙版。
模型
咱们能够很容易的创建模型，过程很是简单：
咱们须要训练这样一个模型，该模型输入原始图像，能够输出它的三维蒙版，即分离皮肤、背景和衣服。 训练完成以后，当一个新的图像输入时，咱们就能够将它分红三个不一样的部分： 背景、皮肤和衣服。 咱们只关注感兴趣区域（连衣裙），这样蒙版结合原始图像，就能够裁剪出咱们须要的连衣裙。
咱们使用UNet创建该模型，它常常用于相似的分割任务，并且很容易在Keras中实现。
在开始训练以前，要对全部的原始图像进行均值标准化。
结果和预测
在预测期间，当遇到高噪声的图像（背景或皮肤模糊等）时，模型开始动荡。 这种问题能够简单地经过增长训练图像的数量进行解决。 但咱们也开发了一个巧妙的方法来避免这种问题。
咱们使用 OpenCV 提供的 GrubCut 算法。 该算法利用高斯混合模型分离前景和背景。 经过它能够帮助咱们找到图像中的人物。
咱们只实现了简单的功能。 假设感兴趣的人站在图像的中间。
python def cut(img): img = cv.resize(img,(224,224)) ¨K5K
执行GrubCut结果
下面是结合使用GrubCut和UNet以后的结果：
GrubCut与UNet相结合获得了优秀的结果。
总结
在这篇文章中，咱们为连衣裙分割开发了一套解决方案。 为了达到这个目的，咱们使用了GrubCut和UNet。 咱们计划在真实照片中使用这个解决方案，并根据它构建一个视觉推荐系统。
原文连接：
https://towardsdatascience.com/dress-segmentation-with-autoencoder-in-keras-497cf1fd169a
阅读过本文的人还看了如下：
分享《深度学习入门:基于Python的理论与实现》高清中文版PDF+源代码
《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码
《深度学习之pytorch》pdf+附书源码
李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材
笔记、代码清晰易懂！李航《统计学习方法》最新资源全套！
《神经网络与深度学习》最新2018版中英PDF+源码
将机器学习模型部署为REST API
FashionAI服装属性标签图像识别Top1-5方案分享
重要开源！CNN-RNN-CTC 实现手写汉字识别
yolo3 检测出图像中的不规则汉字
一样是机器学习算法工程师，你的面试为何过不了？
前海征信大数据算法：风险几率预测
【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类
VGG16迁移学习，实现医学图像识别分类工程项目
特征工程(一)
特征工程(二) :文本数据的展开、过滤和分块
特征工程(三):特征缩放,从词袋到 TF-IDF
特征工程(四): 类别特征
特征工程(五): PCA 降维
特征工程(六): 非线性特征提取和模型堆叠
特征工程(七)：图像特征提取和深度学习
如何利用全新的决策树集成级联结构gcForest作特征工程并打分？
Machine Learning Yearning 中文翻译稿
蚂蚁金服2018秋招-算法工程师（共四面）经过
全球AI挑战-场景分类的比赛源码(多模型融合)
斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）
python+flask搭建CNN在线识别手写中文网站
中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程
不断更新资源
深度学习、机器学习、数据分析、python
搜索公众号添加： datayx
长按图片，识别二维码，点关注
AI项目体验
https://loveai.tech