Los puntos clave no están disponibles para este artículo en este momento.
En los últimos años, una creciente demanda de compras en línea ha promovido en gran medida la innovación y desarrollo de la industria de la moda. El análisis visual de la moda se ha convertido en un tema de investigación prospectivo en los campos de visión por computadora y multimedia. Entre estos estudios, el análisis de compatibilidad en moda es necesario en muchas aplicaciones reales, como recomendaciones de moda, emparejamiento y recuperación. Sin embargo, aprender la compatibilidad en moda no es trivial, no solo debido a las dependencias inciertas y escasas entre los artículos de moda, sino también a las asociaciones latentes y mutuas entre múltiples factores como color, textura, estilo y funcionalidad. Para predecir mejor la compatibilidad en moda, en este artículo proponemos un método de representación latente de bajo rango regulado por gráficos tripartitos, denominado TGRLLR, para la predicción de compatibilidad en moda. En TGRLLR, para aprender representaciones más efectivas y de baja dimensión, consideramos la representación latente de bajo rango descomponiendo la matriz de características original en las direcciones de columnas y filas para abordar el problema de observaciones insuficientes. Sobre esta base, explotamos simultáneamente diferentes estrategias de regularización para codificar las correlaciones estructuradas entre características, las relaciones de alto orden entre artículos, y las estructuras geométricas de los atuendos para representaciones más informativas. Amplios experimentos realizados en un conjunto de datos del mundo real demuestran la efectividad de nuestro método propuesto en comparación con métodos de vanguardia.
Jing et al. (Tue,) estudiaron esta cuestión.