京东 AI Fashion-Challenge 挑战赛冠军方案详解（风格识别+时尚单品搜索）

2018 年 9 月 29 日 AI科技评论

AI 科技评论按：随着消费升级时代的来临，中国时尚消费市场正渐渐变得更加个性化、精致化和多样化，服饰的时尚风格对消费动机的影响愈渐加深，而随着 AI 技术的发展，AI 也越来越多地被应用于时尚领域。

基于以上原因，京东集团 AI 平台与研究院推出与时尚相关的 AI Fashion-Challenge 挑战赛，该项赛事包括时尚风格识别和时尚单品搜索两个子任务。

对于风格识别赛道，主要面临两大难题，一是基于京东真实数据集的样本差异非常明显，二是时尚还面临主观性和专业性问题，是非常具有难度的多标签分类任务之一。本次竞赛邀请了专业时尚设计界人士，在设计师指导下标注了大量京东的女装商品照片的整体时尚风格，共分为 13 类风格。

另一个赛道是时尚单品搜索，这是时尚领域比较常见的视觉搜索任务，除了前面提到的主观性挑战，图片中的物体具有不规则的特性，角度和形状也具有多样性，这也都为解决本问题带来巨大挑战。

据京东 AI 平台与研究部叶韵博士介绍，本次比赛共有 212 支队伍报名，52 支队伍提交结果，共收到 12 份技术报告，参赛人员来自 6 个不同国家和地区，涵盖 196 所大学和研究所，包含 31 家公司。最终，「西天取京」队以 0.6834 F2 Score 获得时尚风格识别子赛道冠军，「Fashion_First」队以 0.5886 mAP 获得时尚单品搜索子赛道冠军。

「西天取京」队成员如下：

丁煌浩
dinghuanghao@gmail.com

万辉
wanhui0729@gmail. com

「Fashion_First」队成员如下：

陈亮雨，中国科学院自动化研究所实习生

吴旭貌，中国科学院自动化研究所实习生

方治炜，中国科学院自动化研究所博士在读

刘静（带队老师），中国科学院自动化研究所研究员

以下为这两个赛道冠军方案：

风格识别赛道

本次竞赛开发数据包含 5.5 万张经过专业标注的真实京东时尚单品展示图，该数据用作模型训练及调优。测试数据包括 1 万张经过专业标注的真实的京东时尚单品展示图。任务描述如下：给定一张时尚照片 I，参赛算法需要预测

。

其中 S={运动，休闲，OL/通勤，日系，韩版，欧美，英伦，少女，名媛/淑女，简约，自然，街头/朋克，民族}

工程方面：

以 Keras 作为基础框架，对其进行了一定的优化和封装，大大的加快了开发进度，具体如下：

采用 Config-Driven-Development 的开发方式，对所有的技术和参数进行封装，只用修改配置文件即可自动进行训练、评估、统计、集成。

扩展了 Keras 的数据加载器，使其支持 TTA、K-Fold Cross Validation。

将 Keras 的 Evaluate 方法改为异步，减少了训练的中断。

将 XGBoost 的参数分发到多台 PC 训练然后合并，缩短了训练时长。

模型：

采用多种不同的 Backbone，包括 ResNet、Inception、Xception 等，后接两个 FC 层，分别为 256、13 个神经元（多隐层提升并不大），两层之间使用 BN，使用 Cross-Entropy Loss、Focal Loss 进行模型的训练。这种结构相当于构建了 Multi-task 学习，比起每个标签单独训练模型而言，速度更快，且精度更高。

数据增强：

使用了一些比较通用的方法，包括随机裁剪(横15%，纵10%)、拉伸(10%)、压缩(10%)、水平翻转。裁剪时考虑到人的比例，横向和竖向的裁剪比例不同，这样会有一定的提升。

除此之外，提出一种专门针对服装的变色方案：

使用 MASK-RCNN 分割出人像；

根据人像区域中的颜色比例，推测出服装的颜色；

对服装颜色在全局进行 HSV 变换。

这种方法的好处是变化的平滑以及自然，缺点是一定程度上影响了背景。最终，一共生产出大约 130K 图片，考虑到计算量，并没有全部使用。

测试时，尝试了两种增强，一种是水平翻转，一种是裁剪（左上、左下、右上、右下、中央）。五种裁剪操作加上翻转一共有十种变换，虽然效果更好，但会有很大的性能损耗。最终仅采用了水平翻转，可以将结果提高一个百分点左右。

处理标签不均衡：

此次比赛的数据集存在严重的标签不均衡，数量差异可达 480 倍。主要采用了如下的四种方案来解决：

上采样：对所有稀疏标签相关样本进行上采样。因为这是一个多标签分类问题，虽然密集标签相关样本数量也会被连带进行部分上采样，但是比例会变得更均衡。

下采样：因为小标签本来就很少，如果再对它进行下采样，后果会更加严重，因此下采样时只对那些所有标签都是密集标签的样本进行下采样，不会影响到稀疏标签相关样本。

数据生成：使用前面提到的服装变色技术对稀疏标签相关样本进行变色。

优化损失函数：使用 Focal Loss（使用网格搜索法进行了简单的调参），提升了 1% 左右。如果与加权法相结合，应该会带来更好的效果（参考第二名）。

下图左边是上采样之后各个标签的 F2 score，右边是提升值。比赛中对 0，3，6，12 这四个标签进行了上采样，可以看到这四个标签平均提升值大约在 3.5% 左右。

下采样过程中随机对样本进行删除，分别测试了 20%，40% 和 60% 的下采样，可以看到 20% 的时候效果最好。

调参：主要使用 Adam，batch-size 为 32，图像短边为 224（经测试，尺寸越大结果越好，但由于算力限制，仍以 224 为主），使用 Cyclic Learning Rate 和阶段性 Fine Tuning（以较大的学习率训练后几层，然后逐步增加训练的层数并减小学习率，最初始的几层不进行训练），这可以加快速度，并提高准确率。

阈值搜索：

由于每个标签的概率分布不同，因此需要不同的阈值（如某些数量较小的标签，输出值往往低于 0.5，而数量较多的标签输出值大于 0.5）。

我们尝试了三种方案：第一是固定阈值，人为根据概率分布去筛选阈值。第二，用 L-BFGS 去搜索，第三，只用了贪心搜索。最后得出来的结果是，固定阈值效果较差，L-BFGS 和贪心搜索差异不大，但贪心搜索更快，也更稳定。

为了验证 CV 集上贪心搜索的泛化能力，我们在后来官方公布的测试集上也进行了搜索，并进行了对比，发现 CV 上的阈值和 TEST 上的阈值之间的差异小于 0.1，而且是类似正态分布。不管是密集标签还是稀疏标签，都是这样的分布，可见贪心搜索算法在本任务中有较好的泛化能力。

模型集成：

模型集成的关键主要是在于模型的「好而不同」，即模型效果首先要效果好，还要具有多样化。我们使用如下方法来实现：

第一，使用了多种优秀的 backbone网络，包括ResNet、Inception、Xception、DenseNet 等；

第二，针对每个模型，在训练过程中对参数、数据集进行微扰；

第三，我们计算了所有模型的模型相关度，筛选掉相关性大于 90% 的模型。

第四，基于每个标签独立挑选最优秀的模型。由于训练过程中，不同标签到达最优的 epoch 不同，因此我们以标签为单位根据 F2-Score 对所有模型的所有 epoch 进行统一排序，并挑选 Top-N 模型。

集成方法是使用 Stacking + Bagging 进行集成。训练阶段，首先使用 5-fold validation 训练大量 CNN 模型，并将所有 fold 的预测拼接在一起构成新的数据集输入到XGBoost 中，同样使用 5-fold validation 训练 XGBoost。预测阶段，将图片输入 5-fold 的 CNN 网络，然后再分别输入到 5-fold 的 XGBoost，最后通过投票的方式得到最终输出。

详细信息参见：

http://u6.gg/eHUwa

时尚单品搜索

任务：给定一个大规模时尚单品的电商展示图集合 S，其中每个时尚商品都属于{上衣，鞋子，箱包}中的某一类。对于任意一张时尚单品的用户实拍图 q，都存在一个与之相匹配的电商展示图集合

本赛中，设定任意的用户实拍图 q 都至少存在一张商品同款图在S中。参赛算法需把 S 中的电商展示图依照与 q 的相似度降序排列，提交前10的最相似图片。

本次比赛的难点主要有两方面：第一，商品匹配的细节化，这意味着两个商品图片是否匹配，其关键点往往取决于某几个局部细节的异同。第二，商品成像角度的多样性。任意一件商品都可能从任意一个角度被呈现出来，这会导致匹配的商品图像视觉特征差异很大。

近几年，随着深度学习的发展，图像检索的研究也随之被大大推进。卷积神经网络在解决光照、尺度、纹理等问题上面展现出很强的优越性。但是对于本赛事中的商品检索任务所面临的上述两个问题，却仍然是一个极大的挑战。在本次比赛中，Fashion_First 团队提出一种多粒度局部对齐神经网络，有效解决上述两个问题，使得商品检索的精度有了很大的提高。

此次冠军方案主要有以下两个亮点：

第一，构建了一个同时兼顾多粒度与局部对齐匹配的神经网络，在保证模型对全局信息的抓取能力的情况下，大大增强了对不同局部信息的表达能力。
第二，团队创造性地提出环形池化方法，在几乎不增加模型参数和计算量的情况下，使模型拥有旋转不变性特征的学习能力。

网络框架：

Fashion_First 采用的网络是 ResNet101，在训练模型之前，对检索库的图片进行了预分类，最后的效果将近 99%，符合使用需求。不同于现在大多数人使用基于度量 Loss 的网络，我们依旧把这一个任务看成一个分类问题，既简单又高效。

网络有四个分支：全局分支，横向分支，纵向分支以及环形分支。

全局分支负责学习全局特征，以保持模型对整体信息的抓取能力。横向分支主要学习具有水平方向的平移不变性的特征，为了能够在不同尺度上学习这一特征，模型对特征图在水平方向上进行不同粒度的切分：一个均分为两等分，一个均分为三等分。最终水平方向会产生 5 个局部特征，每个局部特征都会经过平均池化和最大值池化以及一个 1x1 卷积后用于商品分类器的训练。类似地，纵向分支的目的是学习具有垂直方向平移不变性的特征。

与上面不同的是环形分支，其任务是学习具有旋转不变性的特征。与 STN 和可变卷积不同，Fashion_First 团队提出环形池化方法，不需要额外参数，即可保持旋转不变性。其具体做法是对原始特征图从中心开始，按照不同半径，提取环形特征子图（实际操作采用方环形而非圆环形的方式提取）进行均值池化和最大值池化，然后相加起来。这种方式在理论上可以轻松保持 360 度的旋转不变性，并且在试验中也取得了很好的效果。

上述四个分支构成多粒度的局部对齐神经网络，训练过程简单高效，检索结果性能优异，取得了本次赛事单品搜索任务的第一名。

实现细节：

此次比赛在参数的设定上，整体的 Loss 值使用各个分支的交叉熵 Loss 的和，输入图片的尺寸为 384×384。在训练过程中，batch size 最初设置为 64，Adam 优化器的初始学习率设置为 0.06，在 20 个 epoch 的时候衰减到 0.012，大概在 55-60 epoch，可以得到收敛。

以下是实验结果，可以看到水平、垂直和环形三种方式的对比，环形相较另外两种方式能得到很大的提升，另外不同的主干网络得到的结果也有着较大的差异。