EPYNET: Effiziente pyramidenförmige Netzwerkarchitektur für die Kleidungssegmentierung

Weiche biometrische Merkmale, die aus dem menschlichen Körper extrahiert werden, wie Kleidungsart, Haarfarbe und Accessoires, stellen wertvolle Informationen für die Personenverfolgung und -identifikation dar. Die semantische Segmentierung dieser Merkmale aus Bildern bleibt jedoch für Forscher eine Herausforderung, bedingt durch die enorme Vielfalt an Kleidungsstilen, Schichtungen, Formen und Farben. Um diese Probleme anzugehen, stellen wir EPYNET vor, einen Rahmen für die Segmentierung von Kleidung. EPYNET basiert auf dem Single Shot MultiBox Detector (SSD) und dem Feature Pyramid Network (FPN), wobei das EfficientNet-Modell als Backbone dient. Der Rahmen integriert zudem Methoden zur Datenverstärkung und Rauschreduktion, um die Genauigkeit der Segmentierung zu erhöhen. Außerdem präsentieren wir eine neue Datensammlung namens UTFPR-SBD3, die aus 4.500 manuell annotierten Bildern besteht, die in 18 Objektklassen sowie den Hintergrund aufgeteilt sind. Im Gegensatz zu verfügbaren öffentlichen Datensätzen mit unbalancierten Klassenverteilungen verfügt UTFPR-SBD3 mindestens 100 Instanzen pro Klasse, um die Trainingskomplexität von Deep-Learning-Modellen zu minimieren. Wir führen eine neue Messgröße für Datensatzunbalanciertheit ein, die durch die Schwierigkeit motiviert ist, verschiedene Datensätze für die Kleidungssegmentierung miteinander zu vergleichen. Mit dieser Messgröße ist es möglich, den Einfluss des Hintergrunds, von Klassen mit kleinen Objekten oder von Klassen mit zu wenigen oder zu vielen Instanzen zu erkennen. Experimentelle Ergebnisse auf UTFPR-SBD3 zeigen die Wirksamkeit von EPYNET, das die Stand-of-the-Art-Methoden für die Kleidungssegmentierung auf öffentlichen Datensätzen übertrifft. Aufgrund dieser Ergebnisse sind wir überzeugt, dass der vorgeschlagene Ansatz potenziell für zahlreiche Anwendungen in der Praxis von Bedeutung ist, insbesondere im Bereich weicher Biometrie, Personenüberwachung, Bildbeschreibung, Kleidempfehlungen und anderen Bereichen.