【YKK拉链行业新闻】

面前的思路是基于服装区域性表达的检索模型，对图像中的服装进行区域化的相似性学习和度量。

该研究效果已被CVPR2020收录，并被选为Oral论文。

阿里平安图灵实验室表示，该工作将用到阿里原创保护平台，淘宝、天猫等阿里系电商平台上线，提供侵权检测能力。

精细化剽窃魔高一尺，打假道怎么高一丈？

就服装领域而言，虽然打假一直不时，但盗版剽窃问题依旧普遍存在而且从线上到线下，剽窃手段越来越刁钻，打假难度逐年提高。目前来看，服装领域的剽窃只有有三类。

第一类集中在图片盗用上。盗版者通常未经授权，拿正版品牌的商品图使用或修改使用，无锡ykk拉链比方在图上添加自己店铺的水印，或进行一些图像处理（反转、缩放、拼接等）

这一类侵权剽窃利息很低，但很容易被平台的图片检索系统锁定，然后快速“治理”

第二类是创意盗用，不良商家直接剽窃原创商家的整体商品设计和创意，制作同款或者仿款。

这类侵权的利息稍高一些，但基于商品整体相似度度量的同款检索算法，可以对它进行召回和治理。

第三类是盗用是对服装的某些局部区域进行修改，像是洗稿，比如改变领口的设计款式、或者胸前印花的布局，甚至改变服装的款型等。

但如下图所示，仍然是剽窃正版品牌服装的风格和设计元素（左侧为正版，右侧为盗版）甚至还当做“明星同款”来卖。

这类盗版的利息最高，并不易被传统的基于商品同款检索的算法锁定。通常情况下，电商平台只能通过人工审核来发现，打假利息很高。

那有没有一种方法，能够让系统自动锁定此类剽窃现象？这就是阿里平安图灵实验室最新研究的方向。

此前，基于属性感知细粒度相似度学习方法，提出服饰版权算法来锁定局部剽窃，被AA A I2020收录。

现在又提出了一个新思路，基于服装区域性表达的检索模型，对图像中的服装进行区域化的相似性学习和度量，从而实现更有效打假。

精确到袖子、领子的盗版服装图像”检索算法

盗版服装”定义，整体上剽窃原版服装设计和风格，并在一两个区域进行修改，以逃避现有同款服装检索模型筛查的服装样本。

算法设计上，提出了一种服装关键点引导的区域注意力机制。

首先利用服装关键点估计分支来预测服装的关键点，即分布在服装图像各个关键位置的点位，如领口、袖口、肩部、腋下等。

每类服装的关键点数量和分布有一定差异，点数在每件25-40个左右。根据这些关键点，算法可对服装图片进行多个区域的划分，如领子、袖子、胸部、腰部区域等。

区域划分信息通过基于ROIPool思想的方式引入，一体化的服装图像特征被解耦为多个区域化的特征表达，以独立地进行特征相似度的学习和度量。

同时，服装关键点结合区域化的表达可作为一种注意力机制，引入到图像检索网络上，关键部位的特征权重被提升，非关键部位的权重被削减，以提升模型对关键部位的判别力。

服装关键点估计分支和图像检索分支使用相同的HR-Net主干网络，其多级并联结构在获取多尺度特征的同时坚持了高分辨率。

损失函数的选择上，关键点估计分支采用了均方差损失函数，

宁波ykk拉链

检索分支采用了区域化设计的Triplet损失函数。而损失函数的数值不再是整个图片范围的特征triplet差值，而是各个区域特征差值的累加结果。

文中方法的框架如下图所示，网络可分为服装关键点估计分支和服装检索分支，其中检索网络包括同款服装检索和盗版服装检索两种输出形式：

通过对平台侵权服装样本的分析，阿里研究人员发现，不同类别服装易被盗版的区域是不一样的因此只将服装图像特征的相似度度量过程解耦是不够的还需要为每类服装的多个区域设定差异化的权值，进行加权的区域相似性计算，以召回更多的盗版服装样本。

为此，基于平台盗版服装数据，建立了一个名为“FashionPlagiarDataset数据集，该数据集中，每组“原版服装”queri图像对应galleri中多个“盗版服装”图像，数据覆盖短袖T恤、长袖上衣、外套、连衣裙四类样本。

该数据集上，对在Deepfashion2数据集上预训练过的检索网络进行FineTune训练，用CoordinAscent算法对不同服装类别的各区域权值进行迭代优化，以降低损失函数数值。

盗版服装”检索训练过程的损失函数，同样基于Triplet损失函数设计。最终，训练后的盗版检索网络可以基于上图中的Input服装图像召回Output中绿框内的盗版服装样本。

打假效果怎么样？不输、甚至逾越此前SOTA

论文的实验局部，阿里研究人员首先在FashionPlagiarDataset上对算法的盗版服装图像”检索能力进行了评估。

除了论文所提出的方法外，还设定了两种方法进行对比：一种是激进检索方法，使用相同的backbon网络和Triplet损失函数，但是不包括区域化特征学习和表达机制；另一种是包括区域化特征表达机制，但是使用非FineTune训练得到区域权重，评价指标为mA P

从表中结果可以看出，论文所用方法在各个服装类别都取得了最佳效果。

除上述“盗版服装检索”评价实验外，还在Deepfashion系列数据集上进行了服装关键点估计，和同款服装图像检索任务的实验。

服装关键点估计局部，阿里研究人员在目前复杂度最高的Deepfashion2数据集上进行了评测，与现有Match-RCNN,CPN,Simple-Baselin等方法相比，服装关键点估计模型在各个子集上都取得了最高的mA P结果：

同款服装检索实验中，选用了FashionNet,Match-RCNN,PCB等方法作为对比，Deepfashion和Deepfashion2上分别进行了实验。

其中，Deepfashion主要针对In-shop检索场景，Deepfashion2则针对于Consumer-to-shop场景。评价指标分别为Top-Nrecal和Top-Naccuraci

结果如下图所示，阿里的方法在Deepfashion数据集上取得了与SOTA 方法相近的效果，Deepfashion2数据集上的结果要明显优于现有baselin方法。

一共有5名研究人员参与了这项研究，分别来自阿里巴巴、浙江工商大学和 阿里巴巴-浙江大学前沿技术联合研究中心。

文章第一作者YineLang第二作者YuanHe第三作者FanYang来自阿里平安图灵实验室。阿里平安图灵实验室负责人薛晖，文章的通讯作者。浙江工商大学JianfengDong也是论文作者之一。

阿里平安图灵实验室正式成立于2016年，前身是阿里平安基础算法团队，主要从事平安与风险方面的AI系统研发，核心技术包括计算机视觉、自然语言处置、生物特征识别、图计算以及异常检测和分析等，截止到2018年，已申请50多项专利。