原文： TensorFlow 技术发展与落地实践 - 2019.03.13 - 节选

出处：DataFunTalk

深度学习在服装设计方向的机会与挑战.

1. 深度学习落地行业

随着深度学习的发展，深度学习已经和很多行业结合起来，比如 AI+ 金融，AI+ 医疗等，但是在服装设计行业还很少，就目前来说，AI+ 服装行业还是一片蓝海.

1.1. 服装设计行业存在的难题

国内的时尚一直以来都是紧跟欧美时尚，国内的服装设计师通过不断的寻找欧美的时尚素材，然后进行二次创造，但是创作的过程存在两个问题:

一是时尚素材过于散，查找困难;

二是设计师难以理解淘宝上的相关服装数据，没办法利用这些数据服务于设计.

下图是淘宝的数据工具：

1.2. 服装设计问题

[1] - 多源：如果有上千个品牌方，就有上千个官网，还有很多的时尚网站，如何去收集这些信息其实是一个难点.

[2] - 异构：设计师需要参考的既有图像类的非结构化数据，也有文字这样的半结构化数据，还有交易结构化数据，如何将这些数据有机的串联起来存在挑战.

[3] - 海量：在互联网上有上百亿的服装信息，上亿的商品交易信息.

如何去处理这些图片、文字、交易信息，去帮助设计师去选款是值得要解决的问题.

2. 深度学习的落地实践

2.1. 标签问题和解决办法

深度学习的识别和分类都是比较成熟的技术，但是如何把这些技术应用到服装行业确是一个新的问题. 目前时尚图片的标注数据准确率低，因为时尚是一个专业性的东西，并不是每一个人都能理解时尚，所以很难标注，知衣科技的标注是由服装学院的设计师们帮忙标注的， 标注的准确率很高.

在服装识别中，我们把服装分为了五大类：上衣、下衣、包、鞋子、连衣裙， 再对五大类做细分，总共有 150 多种标签，设计师需要的是更细的划分，比如前几年流行的一字肩，这种细节需要从大量的数据中去发现.

目前标签存在的两大问题，一是标签的稀疏性，有的标签会比较少，比如双面呢大衣，二是设计细节难打标签，比如袖口的拉链，口袋的开口方向等，会有漏打漏标的情况，所以整体的标签要治理出来是非常困难的，我们开发了一套专门针对服装标签的打标系统，在部分标签体系上能实现 93% 到 95% 的识别率，设计院校的学生的识别率在 85%-90%，在这个专业领域上已经比别人强了.

2.2. 基于 Faster R-CNN Model 的目标检测

整体的网络构造分两层，第一层是 Faster R-CNN 识别服装的过程，第二层是把识别到的服装经过一些风格的过滤器， 输出到不同的 FeatureMap 里，有些是形态的，有些是风格的，然后根据不同的风格进行聚类，再针对这些问题去做回归.

对图片进行多个维度的识别，包括人脸识别，包括以图搜图，搜图目的不同，他们背后的算法、逻辑和训练方式也是不一样的，比如淘宝的找同款或找相似，而我们要解决的是设计师选错款的问题，理解设计师想找到什么图片，这个问题我们抽象成了两个场景，一是全图搜索，看重的是整体的搭配，二是品类相似，是找单品相似款式.