Recent studies have shown that the use of fashion landmark information has achieved great success in the task of clothes recognition. However, the landmark annotation is very labor intensive and time consuming. It also suffers from inter-and intra-individual variability. To overcome these problems, we propose a `landmark-free' fashion recognition method. We introduce a two-branch feature selective network exploiting class-activated regions for category classifi cation and attribute prediction. Note that we prove that the proposed network has an excellent ability to effectively learn a discriminative feature representation of a `clothing image' without any additional supervisions. Experimental results on the benchmark dataset show that the proposed network yields comparable performance to the state-of-the-art methods, which strongly depend on the fashion landmark.
인터넷 쇼핑 시장이 크게 발달하면서 시각적 의류 분석 기술이 많은 관심을 끌고 있지만 의류의 non-rigid 특성 때문에 알고리즘 적용이 힘들다. 최근 연구에 따르면 의류 랜드마크의 사용은 non-rigid 특성을 극복할 수 있게 도움을 주어 의류 인식에서 큰 성공을 거두었다. 그러나 랜드마크 annotation은 매우 노동 집약적이고 시간이 많이 걸리기 때문에 관련 데이터셋을 얻기가 힘들다. 또한 개체 간 및 개체 간 위치 변화가 존재하여 하나의 랜드마크 점으로 표현하기 힘들다. 이러한 문제를 극복하기 위해 우리는 랜드마크를 사용하지 않는 카테고리 분류 및 특징 정보 인식방법을 제안한다. 제안하는 두 개 분기의 특징 선택 네트워크는 카테고리 클래스에 대한 활성화 영역을 탐색하여 추가적인 supervision 없이 옷의 복잡한 특성정보를 분석한다. 우리는 제안된 네트워크가 '의류 영상'의 차별적 특징 표현을 의류 랜드 마크 없이 효과적으로 학습 할 수 있음을 증명한다. 벤치마크 데이터셋에 대한 실험결과는 제안하는 네트워크가 의류 랜드마크에 의존하는 최신 방법들과 비슷한 성능을 제공함을 보여준다.
