'해적판 복장' 의 화성 생물 특징 식별, 도표 계산 검 측 분석 기술

그 다음 에 생각 하 는 것 은 복장 의 지역성 표현 을 토대 로 하 는 검색 모델 을 바탕 으로 이미지 중의 복장 을 지역 화 하 는 유사 성 학습 과 도량 이다.

이 연구 성 과 는 CVPR 2020 에 수 록 돼 오리 얼 논문 으로 선정 됐다.

아 리 안전 튜 링 실험실 은 이 작업 은 알 리 의 오리지널 보호 플랫폼 을 사용 하고 타 오 바 오, 티몰 등 알 리 계 전자상거래 플랫폼 에서 출시 되 어 저작권 침해 검 측 능력 을 제공 할 것 이 라 고 밝 혔 다.

정교 화 표절 마 가 한 자 높 고, 가짜 도 로 는 어떻게 한 장 높 습 니까?

의 류 분야 에 서 는 휴가 가 끊 이지 않 고 있 지만, 해적판 표절 문 제 는 여전히 존재 한다.게다가 온라인 에서 오프라인 까지 표절 수단 이 갈수 록 까다 로 워 지고 휴가 를 받 기 가 해마다 어려워 진다.현재 의 류 분야 의 베 끼 기 는 세 가지 밖 에 없다.

첫 번 째 유형 은 사진 도용 에 집중 되 어 있다.불법 저작자 들 은 보통 권한 을 받 지 않 고 정품 브랜드 의 상품 도 를 가지 고 사용 하거나 수정 한다. 예 를 들 어 그림 에 자신의 점포 의 워 터 마크 를 추가 하거나 이미지 처리 (반전, 확대, 조합 등) 를 한다.

이러한 권리 침해 표절 은 비용 이 매우 낮 지만 플랫폼 의 이미지 검색 시스템 에 의 해 잠 겨 서 '관리' 를 신속히 할 수 있다.

두 번 째 유형 은 창의 적 인 도용 이다. 불량 업 체 는 오리지널 업 체 의 전체적인 상품 디자인 과 아 이 디 어 를 직접 표절 하여 똑 같은 제품 이나 가 짜 를 만든다.

이러한 권리 침해 의 원가 가 약간 높 지만 상품 의 전체적인 싱크로 율 을 바탕 으로 하 는 똑 같은 검색 알고리즘 은 이들 을 리 콜 하고 관리 할 수 있다.

세 번 째 유형 은 복장 의 일부 부분 적 인 구역 을 도용 하여 수정 하 는 것 이다. 예 를 들 어 탈고, 예 를 들 어 네 크 라인 의 디자인 디자인 디자인 디자인 이나 가슴 에 프린트 된 구 조 를 바 꾸 거나 옷 의 스타일 을 바 꾸 는 등 이다.

그러나 아래 의 그림 에서 보 듯 이 정품 브랜드 의상 의 스타일 과 디자인 요소 (왼쪽 은 정품 이 고 오른쪽 은 해적판 이다) 를 표절 하고 심지어 '스타 와 같은 제품' 으로 판매 된다.

이런 해적판 의 원가 가 가장 높 기 때문에 전통 적 인 상품 검색 을 바탕 으로 하 는 알고리즘 에 의 해 잠 겨 지지 않 는 다.일반적인 상황 에서 전자상거래 플랫폼 은 인공 심 사 를 통 해 만 사용 할 수 있 고 휴가 비용 이 매우 높다 는 것 을 발견 할 수 있다.

이런 표절 을 시스템 이 자동 으로 잠 금 할 수 있 는 방법 은 없 을 까?이것 이 바로 아 리 안전 튜 링 실험실 의 최신 연구 방향 이다.

그 전에 그들 은 속성 감 지 를 바탕 으로 세분 의 유사 성 을 학습 하 는 방법 으로 복식의 저작권 알고리즘 을 지적 하여 부분 적 으로 표절 하여 AAAAI 2020 에 수록 되 었 다.

지금 은 그들 이 새로운 방향 을 제시 했다. 복장 의 지역성 표현 을 토대 로 하 는 검색 모델 을 바탕 으로 이미지 중의 복장 을 지역 화 된 유사 성 학습 과 스 케 일 을 함으로써 더욱 효과 적 인 휴가 를 실현 했다.

　소매, 칼라 까지 정확 한 '해적판 의 류 이미지' 검색 알고리즘

'해적판 의 류' 의 정 의 는 전체적으로 원판 의 류 디자인 과 스타일 을 표절 하고 한 두 개의 구역 에서 수정 하여 기 존의 같은 복장 검색 모델 을 피 하 는 복장 샘플 이다.

알고리즘 디자인 에 있어 서 그들 은 복장 의 관건 적 인 부분 을 안내 하 는 지역 주의 체 제 를 제시 했다.

우선 의상 의 관건 적 인 포 인 트 를 이용 하여 패션 의 포 인 트 를 예측 하 는데 그것 이 바로 패션 이미지 의 각 관건 적 인 위치 에 분포 하 는 포인트 이다. 예 를 들 어 네 크 라인, 소매, 어깨, 겨드랑이 등 이다.

각 종류의 복장 포 인 트 는 수량 과 분 포 는 일정한 차이 가 있 으 며, 포 인 트 는 각각 25 - 40 개 정도 이다.이러한 관건 적 인 부분 에 따라 알고리즘 은 의 류 이미지 에 대해 여러 지역 으로 나 눌 수 있다. 예 를 들 어 칼라, 소매, 가슴, 허리 부분 등 이다.

지역 구분 정 보 는 ROI Pooling 사상 을 바탕 으로 도입 되 고 일체화 된 의 류 이미지 특징 이 결합 을 여러 지역 화 된 특징 표현 으로 독립 적 으로 특징 싱크로 율 에 대한 학습 과 스 케 일 을 실시한다.

또한 복장 의 관건 점 은 지역 화 된 표현 을 결합 시 키 는 것 은 일종 의 주의력 체제 로 서 이미지 검색 네트워크 에 도입 되 고 관건 적 인 부위 의 특징 이 높 아 지고 관건 적 이지 않 은 부위 의 무게 가 감소 되 어 모델 이 관건 적 인 부위 에 대한 판단력 을 향상 시 킬 수 있다.

패션 포 인 트 는 분기 와 이미지 검색 의 분 지 를 똑 같은 H. R - Net 주요 네트워크 로 추정 하고 그의 다단 계 결합 구 조 는 다 차원 적 인 특징 을 얻 는 동시에 해상 도 를 높 인 다.

손실 함수 에 대한 선택 에 있어 관건 적 인 추정 지점 은 평균 분산 손실 함 수 를 사 용 했 고 검색 지점 은 지역 화 디자인 의 Triplet 손실 함 수 를 사 용 했 습 니 다.반면 손실 함수 의 수 치 는 전체 사진 범위 의 특징 트 리 플 릿 차이 가 아니 라 각 지역 특성 차이 값 의 누적 결과 이다.

글 에서 보 는 방법 과 방법 은 다음 과 같다. 인터넷 은 패션 의 관건 적 인 평가 지점 과 패션 검색 분야 로 나 눌 수 있다. 그 중에서 검색 네트워크 는 같은 패션 검색 과 해적판 의 류 검색 두 가지 수출 형식 을 포함한다.

플랫폼 저작권 침해 의 류 샘플 에 대한 분석 을 통 해 알 리 연구 진 은 유형 별 의 류 가 해적판 에 쉽게 노출 되 는 지역 이 다 르 기 때문에 의 류 이미지 특징의 싱크로 율 측정 과정 만 결합 시 키 는 것 이 부족 하 다 고 밝 혔 다. 또한 각 유형의 복장 의 여러 구역 에 차별 화 된 가치를 설정 하고 가중 된 지역 유사 성 을 계산 하여 더 많은 해적판 의 류 를 리 콜 해 야 한다.본 1

이 를 위해 그들 은 플랫폼 을 통 해 의 류 데 이 터 를 해적판 으로 만들어 'Fashion Plasgiarism Dataset' 라 는 데이터 세트 를 만 들 었 다. 이 데 이 터 는 각 조 의 '원판 복장' 의 query 이미지 에 해당 하 는 갤 리 이미지 에 대해 반팔 티셔츠, 긴팔 상의, 재킷, 원피스 등 네 가지 견본 을 포함한다.

이들 은 이 데이터 세트 에서 Deepfashion2 데이터 세트 에서 미리 연 습 된 검색 네트워크 를 Fine Tune 훈련 하고, Coordinate Ascent 알고리즘 으로 서로 다른 의 류 분야별 지역 권 치 를 반복 적 으로 최적화 하여 손실 함수 수 치 를 낮 춥 니 다.

'해적판 복장' 검색 훈련 과정의 손실 함 수 는 역시 Triplet 손실 함수 디자인 을 바탕 으로 한다.결국 훈련 후의 해적판 검색 네트워크 는 위의 그림 에서 의 Input 복장 이미 지 를 바탕 으로 Outut 중녹색 상자 안의 해적판 복장 샘플 을 리 콜 할 수 있다.

　　휴가 효과 가 어때요?지 지 않 고 예전 의 SOTA 를 뛰 어 넘 을 정도 다.

논문 의 실험 부분 에서 알 리 연구원 들 은 먼저 "Fashion Plagiarism Dataset" 에서 알고리즘 의 "해적판 의 류 이미지" 검색 능력 을 평가 했다.

논문 에서 제시 한 방법 외 에 그들 은 두 가지 방법 을 설정 하여 비교 했다. 하 나 는 전통 검색 방법 이다. 똑 같은 Backbone 네트워크 와 Triplet 의 손실 함 수 를 사용 하지만 지역 화 특징 학습 과 표현 체 제 를 포함 하지 않 는 다. 다른 하 나 는 지역 화 특징 표현 체 제 를 포함 하지만 비 Fine 을 사용한다.Tune 훈련 이 받 은 지역 의 가중치 와 평가 지 표 는 mAP 였 다.

표 에서 보 듯 이 논문 에 사 용 된 방법 은 각 의 류 유형 에서 가장 좋 은 효 과 를 거 두 었 다.

상기 '해적판 패션 검색' 의 평가 실험 을 제외 하고 그들 은 Deepfashion 시리즈 데이터 세트 에서 의 류 관건 적 인 평가 와 같은 패션 이미지 검색 미 션 의 실험 을 실시 했다.

패션 포 인 트 를 살 펴 보면 알 리 연구원 은 현재 복잡 도가 가장 높 은 Deepfashion 2 데이터 세트 에서 평가 했다. 기 존의 Match - ROCNN, CPN, Simple - BEaseline 등 방법 에 비해 패션 포 인 트 는 모델 이 각 신장 에서 가장 높 은 mAP 결 과 를 얻 었 다 고 평가 했다.

같은 패션 검색 실험 에서 그들 은 패션 넷, Match - RCNN, PCB 등 방법 을 비교 하여 Deepfashion 과 Deepfashion 2 에서 각각 실험 을 진행 했다.

그 중에서 Deepfashion 은 주로 In- shop 검색 장면 을 대상 으로 Deep fashion 2 개의 바늘 이 Consumer - top 장면 을 대상 으로 한다.평가 지 표 는 각각 Top - N recall 과 Top - N accuracy 이다.

결 과 는 다음 그림 에서 보 듯 이 알 리 의 방법 은 Deepfashion 데이터 세트 에서 SOTA 방법 과 비슷 한 효 과 를 거 두 었 고 Deepfashion 2 데이터 세트 에서 의 결 과 는 기 존의 배 서 라인 방법 보다 현저히 우수 하 다.

모두 5 명의 연구원 이 이 연구 에 참 여 했 는데 알 리 바 바 바, 저장 공상 대, 알 리 바 바 바 - 절강대학교 첨단 기술 공동 연구 센터 에서 이 루어 졌 다.

글 의 첫 번 째 저자 인 Yining Lang, 두 번 째 저자 인 Yuan He, 세 번 째 저자 팬 Yang 은 아 리 안전 도 령 실험실 에서 왔 다.알 리 안 보 투 령 실험실 담당자 설 휘 는 글 의 메 신 저 였 다.절강공상대학 지 안 펑 둥 이도 논문 작가 중 한 명 이다.

알 리 안전 튜 링 실험실 은 2016 년 에 정식 적 으로 설립 되 었 다. 전신 은 알 리 안전 기초 알고리즘 팀 으로 안전 과 위험 에 대한 AI 시스템 연구 와 개발 에 종사 했다. 핵심 기술 은 컴퓨터 시각, 자연 언어 처리, 생물 특징 식별, 도표 계산 과 이상 검 측 과 분석 등 을 포함한다. 2018 년 까지 50 여 개의 특 허 를 출원 했다.