♥
DeepFashion2是一个全面的时装数据集，它包含了来自商业和消费者的13种流行服装类别的491K图像。总共有801K件服装，其中图像中的每件商品都标有比例，遮挡，还有873K商业服装。数据集分为训练集(391K)，验证集(34K)和测试集。
内容描述：
这是一个大型服装数据库，它具有几个吸引人的属性：
- 首先，DeepFashion包含超过800,000种多样的时尚图像，从摆放位置良好的商店图像到不受约束的消费者照片，构成了最大的视觉时尚分析数据库；
- 其次，DeepFashion带有丰富的服装信息。该数据集中的每幅图像都标记有50个类别，1000个描述属性，边界框和服装的地标；
- 第三，DeepFashion包含超过300,000个跨姿势、跨域图像对。
使用DeepFashion数据库开发了四个基准，包含属性预测，消费者到商店的衣服检索，店内衣服的检索和地标检测。这些基准的数据和注释也可以用作一下计算机视觉任务(例如衣服检测，服装识别和图像检索)的训练和测试集。
DeepFashion包含五个文件：
- 类别和属性预测基准
- 消费者到商店的服装检索基准
- 时尚地标检测基准
- 时尚综合基准
- 店内服装检索基准
DeepFashion2数据集是一个更加综合的服装数据集，其包含了适用于服装检测、服装姿态估计、服装分割以及服装检索等场景的图片与标注数据。
DeepFahion2的优点有：
- 样本多，43.8K个种类，每个种类有12.7个样本，还有大量注释；
- 多功能，用于服装检测、分类、姿态估计、分割、检索等；
- 表现力，一张图有多个目标，且有13个关键点种类，每一类有23个关键点；
- 多样性，包括放缩、遮挡、放大、不同角度的图像。
DeepFashion1和DeepFashion2这两个公开数据集在计算机视觉的领域还未被广泛应用，其原因在于，在众多商业图片中，检索衣服的准确性和效率仍然有很大的提高空间。
据MTlab介绍，服装信息识别技术是人工智能算法在服饰电商、内容媒体和线下服装零售等行业实现落地的基础。对于商家而言，该技术有利于在实现数据智能化管理，平台智能化运营，降低人力成本的同时提高运营效率。而对于用户来说，该技术可以为用户提供个性化推荐、智能搭配、虚拟试穿和一键购物等服务，有效提升了用户的购物体验。未来我们会加速服装相关技术算法的应用落地，将算法与更多的业务结合，对模型进行优化以适配不同的使用的场景。同时也将充分利用该模型结果的可拓展性，服务于服装以外的更多领域。服装电商、信息检索、个性化推荐到智能试衣，以及服装相关技术已经日趋成熟。
竞赛属性框架示意图：
论文：
