Details

Title: Разработка веб-приложения для примерки одежды: выпускная квалификационная работа бакалавра: направление 09.03.04 «Программная инженерия» ; образовательная программа 09.03.04_01 «Технология разработки и сопровождения качественного программного продукта»
Creators: Шерман Марк Леонидович
Scientific adviser: Селин Иван Андреевич
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт компьютерных наук и технологий
Imprint: Санкт-Петербург, 2022
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: машинное обучение; глубокое обучение; нейронные сети; виртуальная примерка; machine learning; deep learning; neural networks; virtual try-on
Document type: Bachelor graduation qualification work
File type: PDF
Language: Russian
Level of education: Bachelor
Speciality code (FGOS): 09.03.04
Speciality group (FGOS): 090000 - Информатика и вычислительная техника
DOI: 10.18720/SPBPU/3/2022/vr/vr22-2791
Rights: Доступ по паролю из сети Интернет (чтение, печать, копирование)
Additionally: New arrival
Record key: ru\spstu\vkr\19726

Allowed Actions:

Action 'Read' will be available if you login or access site from another network Action 'Download' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

Виртуальная примерка – перспективное и быстрорастущее направление глубокого обучения, которое направлено на преобразование внешнего вида человека путём добавления новых признаков (макияжа, париков), а также изменения существующих (одежды). В данной работе рассмотрены наиболее популярные и значимые методы виртуальной примерки одежды. В качестве основного алгоритма была выбрана нейронная сеть PF-AFN, демонстрирующая наилучшие результаты при наименьших требованиях к входным данным. В процессе работы над выбранным алгоритмом было найдено множество ограничений существующей реализации, в связи с чем она была модифицирована с учётом современных методов оптимизации, таких как обучение со смешанной точностью и распределённое распараллеливание данных. При этом оптимизация не повлияла на качество итогового результата, как показали вычисленные метрики. Для демонстрации применимости метода в промышленных решениях было разработано простое веб-приложение, позволяющее любому пользователю примерить интересующий элемент гардероба.

Virtual Try-on is a promising and fast-growing area of deep learning, which aims to transform the human appearance by adding new features (makeup, wigs), as well as changing existing ones (clothes). This paper considers the most popular and meaningful methods of virtual try-on clothes. The PF-AFN neural network was chosen as the main algorithm, which demonstrates the best results with the smallest input data requirements. During the work on the selected algorithm, many limitations of the existing implementation were found, so it was modified to take into account modern optimization methods, such as mixed precision learning and distributed data parallelization. At the same time the optimization did not affect the quality of the final result, as shown by the calculated metrics. To demonstrate the applicability of the method to industrial solutions, a simple web application was developed, allowing any user to try on the closet item of interest.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read Print Download
External organizations N2 All Read
External organizations N1 All
Internet Authorized users SPbPU Read Print Download
Internet Authorized users (not from SPbPU, N2) Read
Internet Authorized users (not from SPbPU, N1)
-> Internet Anonymous

Table of Contents

  • ВВЕДЕНИЕ
  • ГЛАВА 1. ОБЗОР ТЕМЫ
    • 1.1. Глубокое обучение
    • 1.2. Virtual Try-on
    • 1.3. Анализ существующих алгоритмов
      • 1.3.1. VITON
      • 1.3.2. CP-VTON
      • 1.3.3. ACGPN
      • 1.3.4. PF-AFN
    • 1.4. Выбор архитектуры
    • 1.5. Наборы данных
      • 1.5.1. VITON
      • 1.5.2. DeepFashion
      • 1.5.3. Dress Code
    • 1.6. Выбор набора данных
  • ГЛАВА 2. РЕАЛИЗАЦИЯ
    • 2.1. Обзор архитектуры PF-AFN
      • 2.1.1. Модуль деформации потока представления (Appearance Flow Warping Module)
      • 2.1.2. Модуль генерации
      • 2.1.3. Регулируемая дистилляция (перегонка) знаний
      • 2.1.4. Общий процесс обучения
    • 2.2. Метрики качества
      • 2.2.1. Structure similarity
      • 2.2.2. Inception score
      • 2.2.3. Fréchet inception distance
    • 2.3. Улучшение существующей реализации
      • 2.3.1. Mixed precision
      • 2.3.2. Распределённое распараллеливание данных
      • 2.3.3 Описание выполненной работы
    • 2.4. Обоснование выбора технологий и средств разработки
  • ГЛАВА 3. РЕЗУЛЬТАТЫ
  • ЗАКЛЮЧЕНИЕ
  • СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

Usage statistics

stat Access count: 1
Last 30 days: 1
Detailed usage statistics