摘要：汉服做为一种穿着时尚,深受年轻人的喜爱,但现代汉服的风格信息却难以被许多汉服爱好者准确辨识。在YOLOv5s模型的基础上,插入Repvgg模块的同时,引入SE注意力机制来提高模型的网络特征提取能力;使用SIoU_Loss优化损失函数提升边界框定位精度,从而达到实时检测汉服风格的目的。结果表明:该算法明显改善多项评价指标,整体精确率达到92.4%,召回率达到91.6%,平均精度均值达到91.8%,单张图像推理时间仅需15.0 ms。该方法能够快速准确地辨识汉服风格,帮助人们了解现代汉服的风格特征,为中华优秀传统文化的传承发展提供技术支持。

摘要：在新工科形势下,系统能力培养对计算机类专业起着决定性作用。传统C语言教学模式拘泥于语法格式而忽略了培养学生的系统应用能力,难以满足我国新工科人才培养需求。为此,梳理当前教学存在的若干问题,通过改进纯理论式教学方式提出基于Arduino单片机的案例式教学实践改革方法。实践表明,所设计的3个递进式教学案例对培养学生计算思维和提升系统能力具有一定的积极作用,值得进一步研究和推广。

摘要：为了改进当前织物检测算法样本数量少、织物疵点检测准确率低和定位精准度差的问题,提出一种端到端的改进的织物疵点检测算法。针对公开数据集样本数量少、样本种类不均衡的问题,采用线下与线上结合的数据增广方式,除了基本的数据增广方法,同时引入复制粘贴以及混合的方式对样本进行扩充与增强;针对特征提取算法提取特征不精确的问题,对特征金字塔进行改进,通过加入可变形卷积、递归特征金字塔、可切换的空洞卷积、全局语义信息的方法扩大感受野、增强语义信息。实验结果验证了算法的有效性,该算法对天池雪浪制造数据集9种布匹疵点进行检测,检测是否具有瑕疵的准确率达到97%以上,疵点定位的平均检测精度为56.7%,样本检测效率为2.4 FPS。相对于基础模型定位精准度提升了10%以上,并且检测效果满足工业上的生产需求。

摘要：为促进感性工学在纺织服装领域的应用与发展,回顾了感性工学的发展历程和最新的研究进展;重点分析了感性工学在服装与织物设计、消费心理分析、产品评价以及服装智能系统构建中的应用现状,并总结了感性工学在纺织服装领域研究的方法与工具;基于现有的技术和应用现状,指出当前感性工学研究中存在感知方式局限于视觉和触觉、样本群体单一且样本量较小、客观方法和工程技术手段应用不足等问题。分析认为,未来的研究应从建立消费者感性信息数据库、构建和完善服装感性设计与推荐系统、融合人工智能与感性工学技术等方面进一步推动感性工学在纺织服装领域的应用,提升纺织服装产品感性附加值。

摘要：在服装图像分割领域,现有算法存在服装边缘分割粗糙、分割精度差和服装深层语义特征提取不够充分等问题。将Coordinate Attention机制和语义特征增强模块(SFEM)嵌入到语义分割性能较好的Deeplab v3+网络,设计一种用于服装图像分割领域的CA_SFEM_Deeplab v3+网络。为了加强服装图像有效特征的学习,在Deeplab v3+网络的主干网络resnet101中嵌入Coordinate Attention机制,并将经过带空洞卷积池化金字塔网络的特征图输入到语义特征增强模块中进行特征增强处理,从而提高分割的准确率。实验结果表明,CA_SFEM_Deeplab v3+网络在DeepFashion2数据集上的平均交并比与平均像素准确率分别为0.557、0.671,相较于Deeplab v3+网络分别提高2.1%、2.3%,其所得分割服装轮廓更为精细,具有较好的分割性能。

摘要：针对基于手绘草图的服装图像生成质量较低以及服装图像丰富的语义属性与视觉细节难以利用的问题,提出一种基于手绘草图的服装图像生成方法AGGAN。利用深度学习技术中的强大生成模型生成式对抗网络与注意力机制,对服装草图与服装图像数据进行学习,通过属性融入模块将服装属性进行One-hot编码后得到AdaIN参数并融入到生成对抗网络模型中,训练模型学习服装图像与其视觉属性之间的对应关系,使得模型能够在输入条件为服装属性的情况下生成相应的服装图像。对比了AGGAN与其它图像生成方法在输入为服装草图时生成服装图像的效果,结果表明:AGGAN的弗雷切特初始距离FID值得分相较于无监督图像生成模型CycleGAN降低了26.2%,初始分数IS值则提高了13.8%,明显提升了生成服装图像的多样性与保真度。

摘要：鹰眼系统在赛场上可对球类运动轨迹进行跟踪和记录并在辅助裁判对边界球的判罚中起着重要作用,然而由于网球提取过程存在目标小、飞行速度快、光照变化、广告字符以及其他的运动物体影响的问题,网球特征参数提取精准度有待进一步提升。针对这些问题,提出了一种鹰眼系统运动目标特征参数精确提取算法,该算法利用网球色彩一致性较好的特点,根据彩色训练获取网球色调的范围,在HSV色彩空间中对网球图像进行颜色分割,减少背景图像的干扰,采用帧间差分与混合高斯模型融合算法对网球图像进一步分割获取运动目标,对分割后的二值图像使用Sobel算子提取边缘信息减少后续目标圆检测的运算量提高效率,采用Hough圆变换检测轮廓边缘信息完成网球圆心和半径参数的精确提取。实验结果表明,该特征参数提取算法拟合准确率高、相对偏差小,具有一定的实际应用价值。

摘要：为解决现有知识库问答编码-比较框架的原始信息丢失问题,提出基于实体消岐和多粒度注意力的知识库问答方法。从多个粒度对问题和知识库关系的相关性进行建模,引入双向注意力机制更有效地聚合向量保留原始信息,实现关系检测中字符之间的细粒度对齐。为提高实体链接的准确率,融合双向长短时记忆网络-条件随机场(BiLSTM-CRF)克服对人工特征的依赖,计算问题关系词与候选关系的相似性减少噪声数据实现实体消歧。在SimpleQuestions数据集的实验结果表明,该模型在准确率上有明显提升,达到了94.1%。

摘要：在服装图像分类任务中,背景会使服装的轮廓和位置难以确定。为降低背景对服装图像分类的影响,提高分类准确度,提出了一种基于Swin Transformer的服装图像分类方法。这种方法使用新颖的Swin Transformer网络作为基础网络,利用傅里叶变换获取图像的高低频信息,筛选出合适的高低频图像,有效提取高频特征,并引入弱监督选择机制,确定服装在图像中的具体位置。为了确定这一分类方法的有效性,使用部分DeepFashion服装数据集的数据进行验证。实验结果表明,文中提出的引入高频信息和弱监督机制的Swin Transformer方法在服装图像分类上效果显著,可达84.0%的Top1准确率,相比原Swin Transformer基础模型能提升4.1%的准确率。

摘要：随着服装电子商务的蓬勃发展,海量的服装图像数据被累积,对服装图像“以图搜图”成为了当前的一个热点研究方向。服装图像有着丰富的整体语义信息和大量细节信息,要对其实现精准检索是一项挑战性难题。传统的基于人工语义标注的服装图像方法和以人工设计的颜色与纹理等内容特征进行服装图像检索的方法均存在较大局限性。文中利用卷积神经网络多层特征融合提取特征,然后使用K-Means聚类加快服装图像的检索,充分利用深度卷积神经网络在图像特征提取上的有效性和层次性,融合不同卷积层次特征的细节信息和抽象语义信息以提升检索的准确度,并利用K-Means加快检索速度。所提方法首先对服装图像数据集进行统一的尺寸处理,然后利用卷积神经网络进行训练和特征提取,抽取出服装图像从低到高的多层次特征,进而将多种层次的特征进行融合,最终使用K-Means聚类方法对提取的图像库特征进行有效检索。在DeepFashion子类数据集Category and Attribute Prediction Benchmark和In-shop Clothes Retrieval Benchmark上的实验结果表明,所提方法能有效增强服装图像的特征表达能力,提高了检索准确率和检索速度,优于其他主流方法。