[发明专利]基于深度学习GAN网络童装服装的风格转移方法及设备

说明书

本发明提供一种基于深度学习GAN网络童装服装的风格转移方法，1、选取童装款式图像A，判断是否为真，是则进入2；否则结束；2、输入图像A，通过第一编码器进行编码，提取特征向量a1并压缩成特征向量a2；3、将不同特征向量a2进行组合，通过第一转换器将DA域转换为DB域；4、通过第一解码器将特征向量a2还原，生成童装款式图像B；5、判断图像B是否为真，是则进入6；否则进入2；6、输入图像B，通过第二编码器进行编码，提取特征向量b1压缩成特征向量b2；7、组合不同特征向量b2，通过第二转换器将DB域转换为DA域；8、通过第二解码器将特征向量a2还原，生成图像A。本发明提供一种计算机设备，减少人工成本。

技术领域

本发明涉及深度学习领域，特别是涉及一种基于深度学习GAN网络童 装服装的风格转移方法，是大数据下生成式对抗网络对童装服装的风格转移 应用。

背景技术

服装业是传统工业大分工、大流水、大批量生产的典型代表。每个服装 企业只能生产一种或几种服装品类，这决定了纸样技术只能沿用本企业所涉 及的服装品类进行技术积累。新的消费追求时尚化、个性化、品牌化、定制 化，使消费行为和习惯多元而分散。中小型企业为了生存，疲于应付市场需 求，限于人力成本的原因只能采用一种拿来主义，简单模仿的方式，更无法 在纸样设计技术上的投入，因此陷入一种有时尚无品质，有品质又无时尚， 产生大量积压的困境。

利用hadoop技术对童装海量纸样进行分布式处理，并对数据进行可视 化分析，得到各种款式风格的童装纸样库，利用生成对抗网络(GAN)产 生一种新的童装服装纸样风格，目前，深度学习领域的图像生成，风格迁移， 图像变换，图像描述，无监督学习，甚至强化学习领域都能看到GAN的身 影。GAN主要针对的是一种生成类问题。目前深度学习领域可以分为两大 类，其中一个是检测识别，比如图像分类，目标识别等，此类模型主要是 VGG,GoogLenet,residual net等，目前几乎所有的网络都是基于识别的；另 一种是图像生成，即解决如何从一些数据里生成出图像的问题。

发明内容

本发明要解决的技术问题之一，在于提供一种基于深度学习GAN网络 童装服装的风格转移方法，解决了服装业有品质无时尚、有时尚无品质、产 生大量积压的困境；为改变常规涉及理念，在大数据时代下对海量童装纸样 数据的处理，采用图像分割技术对童装纸样风格和部位进行区域分割，同时 采用生成对抗网络模型的生成模型(GenerativeModel)和判别模型 (Discriminative Model)的相互博弈学习产生相当好的新的童装风格纸样的 输出。

本发明的问题之一，是这样实现的：

一种基于深度学习GAN网络童装服装的风格转移方法，该风格转移方 法需提供一个CycleGAN网络，CycleGAN网络包括第一GAN网络和第二 GAN网络，所述第一GAN网络包括第一生成器和第一判别器，所述第二 GAN网络包括第二生成器和第二判别器，所述第一生成器包括第一编码器、 第一转换器及第一解码器，所述第二生成器包括第二编码器、第二转换器及 第二解码器；所述风格转移方法包括如下步骤：

步骤S1、选取童装款式图像A作为第一判别器的输入，通过第一判别 器将该童装款式图像A与真实的童装款式图像A’进行对比，判断该童装 款式图像A是否为真，若是，则进入步骤S2；若否，则结束流程；

步骤S2、将该童装款式图像A输入到第一生成器中，通过第一编码器 对童装款式图像A进行编码，利用卷积神经网络从中提取出具有原格式的 特征向量a1，并将该特征向量a1压缩成复数个设定格式的特征向量a2；

步骤S3、将不同的特征向量a2进行组合，采用5层DenseNet模块， 并通过第一转换器将童装款式图像A在DA域中的特征向量a2转换为DB 域中的特征向量a2；

步骤S4、利用反卷积神经网络，并通过第一解码器将DB域中设定格 式的特征向量a2还原成原格式，生成童装款式图像B；