CC BY
9
ИСКУССТВОВЕДЕНИЕ
МЕТОДОЛОГИЯ ПРОЕКТИРОВАНИЯ МОДЕЛИ КОСТЮМА НА ОСНОВЕ ГОТОВОЙ КОЛЛЕКЦИИ С ИСПОЛЬЗОВАНИЕМ МАШИННОГО ОБУЧЕНИЯ Кудрявцев М.А.
Кудрявцев Михаил Андреевич - аспирант, кафедра информационных технологий и компьютерного дизайна, Российский государственный университет им. Косыгина, г. Москва
Введение
Применение возможностей машинного обучения постепенно охватывает все больше сфер жизни. На рынке уже присутствуют продукты и услуги, главным принципом работы которых является обученная модель. Так в феврале 2017 года была анонсирована модная коллекция от дизайнера Тома Форда, полностью составленная с использованием систем машинного обучения. Проникновение таких технологий в сферу модной индустрии говорит о том, что машинное обучение может быть использовано для создания продукта, которое, по мнению человека, создается дизайнером или художником - человеком с не техническим профилем и задачами.
Ключевая задача данной работы - разработать методику, которая позволила бы создавать продукт неотличимый от творческого произведения человека. В частности, речь пойдет о создании модели костюма или модельного ряда на основе уже готовой коллекции. Применение машинного обучения в данной задаче используется последовательно на разных этапах и в зависимости от задачи будет использован тот или иной алгоритм.
Методология
Задача создания новой модели костюма, требует первичного анализа входных данных. Данные представляют собой фотографии модельного ряда. Последующая обработка изображения позволяет выделить ряд параметров, которые можно использовать для генерации нового образца. Именно поэтому важной частью данной работы является задача сбора данных с входных данных. Собранные данные образуют массив информации, который используется для выявления концептуальных особенностей коллекции и задания границ параметров для генератора.
В основе визуального восприятия фотографии модели лежат три параметра: цвет, текстура и форма [1]. Определение первых двух требует использование различных алгоритмов машинного обучения с предварительной обработкой изображения в удобный для оценки формат. Форма костюма представляет собой более сложную структуру: общая форма модели [4] и составные части. По этой причине данный параметр был разделен на два: образующая форму фигура и дерево конкретных элементов одежды.
• Образующая форму фигура
• Доминирующие тона
• Выделение и классификация элементов одежды
Поиск корреляции данных параметров с внешним видом проектируемой модели представляет собой оценку соотношения диапазонов ко всему многообразию конкретного параметра. Получив определенные рамки, их можно использовать для предиктивной модели, способной составить новый образец.
Задача поиска параметров и выделения их из модельного ряда представляет собой набор действий, проводимый для каждого параметра отдельно. Разберем их по порядку:
Выделение и классификация элементов одежды
Выделение и классификация элементов одежды требует использования методов обработки изображения с использование алгоритмов для выделения границ, сегментации, локального преобразования и других подобных. Обработанное изображение можно будет использоваться в качестве входных данных для обученной модели предиктивной системы. Стоит заметить, что данная модель будет обладать высокой точностью только в случае сильных отличий между членами классов, в то время как одежда зачастую имеет схожие внешние границы и формы [2]. Именно поэтому в данном случае рационально использовать глубокие нейронные сети, которые вмещают в себя на несколько порядков большее количество параметров и используют связки из нескольких нелинейных преобразований в отличии от обычного машинного обучения. Принято считать, что именно глубокие нейронные сети наиболее эффективно выполняют задачу выделения объектов на изображении.
Наиболее практичным решением будет использование модели глубокой свертки AlexDeep, которая стала стандартной для решения задач маркировки [2]. Данная модель глубокого обучения использовалась в конкурсе LSRVC-2012, обученная на 1,2 млн изображений и охватившая порядка 220000 категорий. Система включает в себя 7 скрытых слоев, из которых первые пять - слои свертки.
Использовать полную модель AlexDeep нет необходимости, как и обучать полностью новую. Именно поэтому мы использовали только начальные слои нейронной сети для извлечения функциональных возможностей для распознавания элементов одежды. Такой подход позволил нам сократить размеры данных для обучения модели.
Определение доминирующих тонов
Определение доминирующих тонов затрагивает обработку HSL вектора изображения и требует проведения данного анализа исключительно в диапазоне самих элементов одежды. Именно поэтому данный этап следует за этапом разбиения костюма на составляющие.
Для определения доминирующих цветов используется метод к-средних. Фактически, решение задачи представляет собой в определении кластеров цвета на изображении. Основная суть метода к-средних заключается в минимизации суммарного квадратичного отклонения точек выборки от центров кластеров.
На первом этапе выбор кластера происходит случайным образом, затем вычисляется принадлежность каждого элемента к тому или иному центру, после которого следует пересчет центров масс кластеров. Итерации будут продолжаться до тех пор, пока центры масс не перестанут смещаться.
Выделение образующей формы модели
Принято считать, что образующая форма модели подвержена влиянию тенденций моды [3]. Данный факт обязывает учитывать общую форму костюма входных данных при формировании новой модели. Подобная задача требует предварительной обработки входного изображения с целью удаления ненужных элементов и упрощения задачи определения фигуры. Наиболее высокую эффективность в решении данной задачи показали методы Собеля и Лапласа при обработке HSL вектора изображения [4].
Обработанное изображение поступает на вход обученной модели машинного обучения, которая выдает ряд вероятностей принадлежности фигуры на данном изображении к одному из четырех основных для костюмов форм: овал, трапеция прямая и перевернутая, прямоугольник [5].
Анализ полученных данных
Ключевым фактором при составлении является размер выделяемых диапазонов в параметре и его вариативность. Параметры с наиболее высоким разбросом показывает на отсутствие его высокой значимости на его концептуальную визуальную
составляющую модельного ряда. В то время как выделенный параметр с наиболее низким разбросом указывает на ключевое для модельного ряда значение.
Полученные данные образуют массив параметров для каждой отдельной модели. Связь элементов представляет собой двумерный массив, в котором содержится информация о вероятности появления связи между найденными оттенками и текстурами для выбранного элемента одежды.
Подобная структура хранения информации позволяет использовать ее гибкость для предиктивной системы, которая будет генерировать новые модели. На основе этих данных и с использованием метода опорных векторов [6] мы обучаем модель, которая сможет генерировать набор параметров для новой модели. Оценка результатов
Выявление точности работы обученной модели проводится путем опроса представителей различных профессий, где предложено в модельном ряде, включающем в себя входные данные и разработанные обученной моделью экземпляры, необходимо выбрать лишний - наименее подходящий для данной коллекции. Процент выбранных сгенерированных моделей будет показателем ошибки работы предложенной методики.
Список литературы
1. Кудрявцев М.А. Методика измерения сложности изображения с использованием нечеткой логики // Современные инновации: достижения и перспективы III тысячелетия: межд. конф. (Москва, 19 декабря 2017). Современные инновации. № 11 (25), 2017.
2. Gupta S. Apparel Classifier and Recommender using Deep Learning, 2016.
3. Krizhevsky A. Imagenet classification with deep convolutional neural networks // NIPS, 2012. № 1 (1). C. 795-825.
4. Seivewright S. Basics Fashion Design: Research and Design, 2017.
5. TschentscherM. Comparing image features and machine learning algorithms, 2010.
6. Кудрявцев М.А. Методика измерения сложности восприятия графического интерфейса пользователя // Современные инновации, 20017. № 04 (18).
