建議可能包括一些調(diào)整，例如選擇無(wú)袖上衣或長(zhǎng)外套。

德克薩斯大學(xué)奧斯汀分校計(jì)算機(jī)科學(xué)教授克里斯汀·格勞曼(Kristen Grauman)說(shuō)：“我們認(rèn)為這就像是一個(gè)可以給您反饋的朋友。”他以前的研究主要集中在人工智能的視覺(jué)識(shí)別上。

“這還受到一個(gè)實(shí)際想法的激勵(lì)：我們可以與給定的服裝一起進(jìn)行小的更改，這樣會(huì)更好一些。”

人工智能注視著您的時(shí)尚

名為Fashion ++的工具使用視覺(jué)識(shí)別系統(tǒng)來(lái)分析圖像中服裝的顏色，圖案，紋理和形狀。它考慮了編輯將在哪些方面產(chǎn)生最大的影響。然后，它為用戶提供了幾種替代服裝。

研究人員使用超過(guò)10,000張服裝圖片在網(wǎng)上培訓(xùn)了時(shí)尚愛(ài)好者，從而培訓(xùn)了Fashion ++。研究生金佰利(Kimberly Hsiao)說(shuō)，找到時(shí)尚服裝的圖片很容易。尋找不時(shí)髦的圖像被證明是具有挑戰(zhàn)性的。因此，她想出了一種解決方法。她將時(shí)尚服裝的圖像混合在一起，以創(chuàng)建不太時(shí)尚的示例，并對(duì)系統(tǒng)進(jìn)行了不穿衣服方面的培訓(xùn)。

Hsiao說(shuō)：“隨著時(shí)尚風(fēng)格的發(fā)展，AI可以通過(guò)為其提供新的圖像來(lái)繼續(xù)學(xué)習(xí)，這些圖像在互聯(lián)網(wǎng)上非常豐富。”

偏見(jiàn)問(wèn)題

與任何AI系統(tǒng)一樣，F(xiàn)ashion ++的數(shù)據(jù)集也會(huì)產(chǎn)生偏差。研究人員指出，老式的外觀很難被識(shí)別為時(shí)尚的，因?yàn)橛?xùn)練圖像來(lái)自互聯(lián)網(wǎng)，互聯(lián)網(wǎng)僅在1990年代才被廣泛使用。另外，由于提交圖像的用戶主要來(lái)自北美，因此來(lái)自世界其他地區(qū)的樣式顯示不多。

另一個(gè)挑戰(zhàn)是模型上會(huì)出現(xiàn)許多時(shí)髦的服裝圖像，但是身體的尺寸和形狀卻多種多樣，從而影響了時(shí)尚的選擇。下一步，Grauman和Hsiao正在努力讓AI了解什么能使不同的身體形狀變得討人喜歡，以便可以更加量身定制其建議。

“我們正在研究一個(gè)人的身體形狀與衣服如何適應(yīng)他們之間的相互作用。通過(guò)這項(xiàng)研究，我們很高興能擴(kuò)展到各種身材和體形的人的適用范圍。”

Grauman和Hsiao將在下周于韓國(guó)首爾舉行的計(jì)算機(jī)視覺(jué)國(guó)際會(huì)議上發(fā)表有關(guān)其方法的論文。

來(lái)自康奈爾科技大學(xué)，喬治亞理工大學(xué)和Facebook AI Research的其他研究人員為這項(xiàng)工作做出了貢獻(xiàn)。