基于機(jī)器學(xué)習(xí)的服裝“品牌基因”分析方法研究

陳于依瀾 馮寶以 劉曉剛

摘要： 文章探索一種基于機(jī)器學(xué)習(xí)模型的服裝品牌基因強(qiáng)度識(shí)別分析方法，通過(guò)利用品牌服裝歷史產(chǎn)品圖像數(shù)據(jù)作為特征數(shù)據(jù)集，模仿人腦的學(xué)習(xí)認(rèn)知過(guò)程，設(shè)計(jì)并訓(xùn)練基于機(jī)器學(xué)習(xí)算法的品牌分類模型，最終使機(jī)器學(xué)習(xí)模型能夠“認(rèn)知”到服裝品牌的“基因片段”。以此模型的分析過(guò)程及特征提取結(jié)果來(lái)驗(yàn)證并分析“品牌基因”。采用機(jī)器學(xué)習(xí)的方法，利用品牌服裝設(shè)計(jì)中的共性特征數(shù)據(jù)對(duì)品牌基因強(qiáng)度進(jìn)行分析，可以避免主觀評(píng)價(jià)的片面性和傳統(tǒng)統(tǒng)計(jì)方法無(wú)法對(duì)非線性因素進(jìn)行因果關(guān)聯(lián)的缺點(diǎn)，通過(guò)大量的數(shù)據(jù)分析，實(shí)現(xiàn)對(duì)品牌基因的提取和應(yīng)用。

關(guān)鍵詞： 機(jī)器學(xué)習(xí);品牌基因;特征提取;圖像識(shí)別;深度神經(jīng)網(wǎng)絡(luò);服裝品牌

Abstract： The research work in this paper aims to explore a method to identify and analyze fashion brand gene intensity based on machine learning. Historical product image data of brand fashion were used as the characteristic dataset to imitate the learning cognitive processing of human brain. Besides， the brand classification model based on machine learning algorithm was designed and trained. Finally， the machine learning model could "recognize" the "gene fragment" of the fashion brand. The analysis process of this model and results of feature extraction were used to verify and analyze the "brand gene". Analyzing the intensity of brand gene by using machine learning method and the common characteristic data in brand fashion design could avoid the one-sidedness of subjective analysis and overcome the shortage of inability to connect the cause and effect for the nonlinear factors. With analysis of massive data， the goal of extracting the brand gene and applying it was achieved.

Key words： machine learning; brand gene; feature extraction; image recognition; deep neural network; fashion brand

品牌是起區(qū)別作用的一種識(shí)別標(biāo)志，除了具有一定的經(jīng)濟(jì)價(jià)值外，也是精神象征和價(jià)值理念的體現(xiàn)。好的品牌，具有非常高的識(shí)別度，夠使消費(fèi)者明確地感知其鮮明獨(dú)特的風(fēng)格與個(gè)性，并與其產(chǎn)生共鳴，建立起高度的品牌忠誠(chéng)。品牌的這種識(shí)別度，通常得益于設(shè)計(jì)師對(duì)品牌文化的繼承和塑造，也因此使得品牌產(chǎn)品具備了一定的共有特征——品牌基因。

中國(guó)的服裝品牌化經(jīng)營(yíng)起步與成熟較晚，在消費(fèi)者已經(jīng)對(duì)西方品牌習(xí)慣性認(rèn)可的形勢(shì)下，設(shè)計(jì)者在文化、商業(yè)和設(shè)計(jì)領(lǐng)域難以得到良好反饋，導(dǎo)致品牌設(shè)計(jì)風(fēng)格模糊、難以形成鮮明的品牌辨識(shí)度，甚至給消費(fèi)者缺乏獨(dú)特品牌精神的印象。如何從成熟品牌中吸取經(jīng)驗(yàn)，在品牌的發(fā)展中創(chuàng)造自身鮮明的品牌基因，是一個(gè)品牌在發(fā)展中需要關(guān)注的核心問(wèn)題。

本文著眼于品牌基因的分析，提出利用機(jī)器學(xué)習(xí)算法中的卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別中所表現(xiàn)出的強(qiáng)大的特征提取及分析能力，對(duì)服裝信息的基礎(chǔ)特征進(jìn)行提取分析，從而得到具有共性的“品牌基因”。避免傳統(tǒng)的品牌信息量化分析等人為因素起主導(dǎo)作用的方法的弊端。本文主要針對(duì)品牌服裝探索具體方法，通過(guò)整理品牌服裝圖片集合，采用其訓(xùn)練可進(jìn)行品牌識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)模型，使其達(dá)到具有對(duì)所輸入品牌的識(shí)別能力。而采用該模型最后卷積層的輸出作為品牌基因，對(duì)其進(jìn)行提取與分析，為品牌創(chuàng)新設(shè)計(jì)及品牌基因延續(xù)提供科學(xué)翔實(shí)的分析參考。同時(shí)，通過(guò)對(duì)分析過(guò)程的探索，為挖掘塑造服裝企業(yè)品牌基因提供一套普適的方法，為新興的服裝企業(yè)制定合理的服裝設(shè)計(jì)產(chǎn)品結(jié)構(gòu)規(guī)劃、確立相應(yīng)產(chǎn)品的基因強(qiáng)度權(quán)重分布、在樹(shù)立品牌個(gè)性和品牌文化方面起到積極有效的作用。

1 服裝品牌基因

1.1 服裝設(shè)計(jì)與品牌基因

品牌服裝設(shè)計(jì)是指以品牌經(jīng)營(yíng)理念為指導(dǎo)思想，以設(shè)計(jì)出符合品牌運(yùn)作要求為目的的服裝產(chǎn)品開(kāi)發(fā)活動(dòng)，并將品牌文化和發(fā)展愿景化作符合多方利益訴求的產(chǎn)品。品牌服裝設(shè)計(jì)是產(chǎn)生服裝產(chǎn)品最主要的環(huán)節(jié)之一。一個(gè)品牌在不同時(shí)期發(fā)布的服裝設(shè)計(jì)產(chǎn)品，即是品牌服裝設(shè)計(jì)的物質(zhì)載體，同時(shí)也凝結(jié)了品牌的精神內(nèi)涵，體現(xiàn)了品牌文化，繼承了品牌基因，代表了品牌形象[1]。品牌基因是產(chǎn)品信息與品牌文化的集合[2]，服裝品牌基因最重要的物質(zhì)載體是服裝產(chǎn)品。

1.2 品牌基因識(shí)別的戰(zhàn)略意義

對(duì)于服裝產(chǎn)業(yè)，品牌基因是企業(yè)發(fā)展的寶貴財(cái)富，也是企業(yè)能夠長(zhǎng)期生存的根本。從品牌文化的角度來(lái)說(shuō)，服裝品牌基因通過(guò)服裝設(shè)計(jì)產(chǎn)品表達(dá)出來(lái)，但又不完全依附于服裝產(chǎn)品之中，而是擁有獨(dú)立的文化內(nèi)涵。這種內(nèi)涵體現(xiàn)在商業(yè)上就是一種與消費(fèi)者之間的心理共鳴，品牌的產(chǎn)品設(shè)計(jì)師們與善變的消費(fèi)者之間的較量更多集中于對(duì)這種需求的把控。繼承與創(chuàng)新一直是設(shè)計(jì)師需要平衡的關(guān)鍵因素，只有重視并認(rèn)識(shí)到品牌基因是以何種方式存在于品牌之中，又是如何被消費(fèi)者認(rèn)知的，設(shè)計(jì)師才能保持品牌的活力和本質(zhì)。

品牌基因是品牌成長(zhǎng)壯大的裂變因子。品牌基因是品牌在長(zhǎng)期的發(fā)展歷程中沉淀出來(lái)的，是品牌存在和發(fā)展的根基。品牌基因是可以沿襲繼承的，并會(huì)在反復(fù)的裂變創(chuàng)新中增加深度和廣度，保持歷史和創(chuàng)新的統(tǒng)一。可以說(shuō)，品牌基因既是品牌存在的基礎(chǔ)，也是品牌創(chuàng)新的基石。

品牌基因是組成品牌的核心價(jià)值觀、品牌個(gè)性和品牌文化的關(guān)鍵因子。品牌的精神層面主要包含核心價(jià)值觀、品牌個(gè)性、品牌文化，這些內(nèi)容在長(zhǎng)期的時(shí)間演變中去粗取精，最后形成可供辨別的品牌風(fēng)格。品牌基因就是所有個(gè)體間所具有的通性特征。

品牌基因是獲得消費(fèi)者認(rèn)同感及品牌辨識(shí)度的重要因子。品牌基因本身是帶有強(qiáng)大的辨識(shí)功能的信息片段，它來(lái)自品牌的核心價(jià)值、核心理念，記錄著品牌的關(guān)鍵信息，再擴(kuò)散到品牌的每一個(gè)角落，使消費(fèi)者能夠及時(shí)地、簡(jiǎn)單地辨認(rèn)出來(lái)，讓品牌能夠長(zhǎng)久地停留在消費(fèi)者的認(rèn)知當(dāng)中，進(jìn)而培養(yǎng)出消費(fèi)者的品牌識(shí)別能力，增加品牌價(jià)值認(rèn)同感。

2 品牌基因分析難點(diǎn)及特征提取

服裝品牌的品牌基因仍未被系統(tǒng)研究，在少數(shù)已有的研究中，大都直接采用專家判斷的方式進(jìn)行相關(guān)的定性分析。品牌基因是業(yè)內(nèi)人士憑借專業(yè)知識(shí)對(duì)品牌服裝設(shè)計(jì)產(chǎn)品進(jìn)行描述性判斷，并總結(jié)出一些可歸納的表現(xiàn)形式，容易出現(xiàn)標(biāo)準(zhǔn)不統(tǒng)一的情況。比如已有研究中在對(duì)迪奧進(jìn)行品牌基因提取時(shí)，將其總結(jié)為5點(diǎn)：1）左右對(duì)稱式上下套裝;2）柔和的肩線;3）X廓形;4）強(qiáng)調(diào)腰線;5）上衣下擺打開(kāi)并與裙身成一定比例關(guān)系[3]。

已有的統(tǒng)計(jì)學(xué)分析方法，只是非常粗略地劃分了品牌基因影響因子，沒(méi)有進(jìn)一步細(xì)化特征。如趙北辰[3]將服裝品牌基因劃分為顯性基因和隱性基因，顯性基因包括造型、色彩、面料、圖案;隱性基因包括個(gè)性化、情感、創(chuàng)新、價(jià)值觀等，而沒(méi)有進(jìn)行一定的量化，僅停留在框架階段。在服裝品牌的設(shè)計(jì)元素理論背景下，研究人員把品牌服裝設(shè)計(jì)產(chǎn)品劃分為基因元素大類，并需要根據(jù)每個(gè)品牌自身選擇相應(yīng)的類目，存在無(wú)法通用的問(wèn)題，工作量比較繁重。比如已有的FTGE分析法[4]，將品牌基因分為6大類：1）產(chǎn)品風(fēng)格基因;2）產(chǎn)品圖案基因;3）產(chǎn)品款式基因;4）產(chǎn)品材料基因;5）產(chǎn)品色彩基因;6）產(chǎn)品工藝基因。在分析香奈兒的品牌基因的案例中，將大類分別細(xì)化為：典雅風(fēng)格、舒適風(fēng)格、對(duì)襟款式、四袋款式、無(wú)領(lǐng)款式、黑白顏色、山茶花圖案、粗呢面料、鑲邊工藝，然后對(duì)每張圖片進(jìn)行相應(yīng)的統(tǒng)計(jì)判斷。

2.1 機(jī)器學(xué)習(xí)

“機(jī)器學(xué)習(xí)”是一個(gè)涵蓋性術(shù)語(yǔ)，包括了大量類似的泛型算法。其主要內(nèi)容表現(xiàn)為設(shè)計(jì)計(jì)算機(jī)可進(jìn)行自主學(xué)習(xí)的算法。作為人工智能的一個(gè)分支，機(jī)器學(xué)習(xí)的研究是從以“推理”為重點(diǎn)到以“知識(shí)”為重點(diǎn)，再到以“學(xué)習(xí)”為重點(diǎn)的過(guò)程性科學(xué)。機(jī)器學(xué)習(xí)算法是一類從數(shù)據(jù)中自動(dòng)分析獲得規(guī)律，并利用規(guī)律對(duì)未知數(shù)據(jù)進(jìn)行預(yù)測(cè)的算法[5]。

2.2 機(jī)器學(xué)習(xí)與特征提取

特征提取是在相對(duì)較大型的數(shù)據(jù)集中發(fā)現(xiàn)模式的計(jì)算過(guò)程，特征提取過(guò)程的總體目標(biāo)是從一個(gè)數(shù)據(jù)集中提取共性信息。從海量的服裝品牌產(chǎn)品中尋找其特征的方法，通常需要復(fù)雜的特征提取過(guò)程;機(jī)器學(xué)習(xí)作為當(dāng)前一個(gè)火爆的研究領(lǐng)域，其發(fā)展為復(fù)雜數(shù)據(jù)的解析提供了一系列的新算法。

機(jī)器學(xué)習(xí)算法中常用的有機(jī)器學(xué)習(xí)型算法和統(tǒng)計(jì)型算法兩類。前者運(yùn)用了人工智能技術(shù)，能在大量的樣本集訓(xùn)練和學(xué)習(xí)后自動(dòng)找出運(yùn)算需要的參數(shù)和模式;后者則常用相關(guān)性分析、聚類分析、概率和判別分析等進(jìn)行運(yùn)算[6]。機(jī)器學(xué)習(xí)中人工神經(jīng)網(wǎng)絡(luò)方法被普遍運(yùn)用，它具有極好的數(shù)據(jù)處理能力和學(xué)習(xí)能力，并能夠準(zhǔn)確進(jìn)行識(shí)別，從而有助于分類問(wèn)題中的特征提取與識(shí)別[7]。本文所設(shè)計(jì)方法也采用人工神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)，探討基于機(jī)器學(xué)習(xí)的服裝品牌基因識(shí)別。

2.3 卷積神經(jīng)網(wǎng)絡(luò)

圖像的視覺(jué)特征包括顏色及其分布、紋理及線條、形狀及其空間布局、圖層疊加效果等[8]。在傳統(tǒng)的分類模式中，圖像的視覺(jué)特征需要顯式的表達(dá)和提取，但這是很難做的工作，因?yàn)槿藢?duì)圖像的情感感知來(lái)自多方面的因素，一些是隱含的，難以表達(dá)和提取，而且人腦對(duì)圖像的識(shí)別容易受到自身認(rèn)知的干擾，從而對(duì)圖像的識(shí)別失去了客觀性。

卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）模仿視覺(jué)神經(jīng)中的簡(jiǎn)單細(xì)胞和復(fù)雜細(xì)胞的視覺(jué)信息處理過(guò)程，將圖像的視覺(jué)特征提取與人工神經(jīng)網(wǎng)絡(luò)的模糊分類結(jié)合起來(lái)，省略了前期復(fù)雜的圖像處理與特征提取過(guò)程，利用卷積計(jì)算對(duì)圖像的視覺(jué)特征進(jìn)行自動(dòng)提取，并利用局部感知區(qū)域、共享權(quán)重和空間池化等操作減少運(yùn)算復(fù)雜度，最后利用回歸函數(shù)或全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行特征分類，極大地提高了圖像分類和模式識(shí)別的準(zhǔn)確率與效率[9]。卷積神經(jīng)網(wǎng)絡(luò)中起主要作用的卷積層的數(shù)學(xué)描述如下：

式中：Z為所得輸出數(shù)據(jù)，A為卷積層的輸入數(shù)據(jù)，W為卷積層的權(quán)重?cái)?shù)據(jù)，b為其偏置數(shù)據(jù)。

卷積神經(jīng)網(wǎng)絡(luò)作為具有圖像信息抽取分析能力的算法模型，常用來(lái)對(duì)圖像信息進(jìn)行挖掘。深度卷積神經(jīng)網(wǎng)絡(luò)包含多個(gè)卷積層和池化層，前一層卷積對(duì)輸入的二維輸入特征數(shù)據(jù)進(jìn)行處理，輸出結(jié)果再送入后一層卷積層。卷積處理結(jié)果可以看作從輸入圖像中提取的某些特征圖像，特征圖像再逐層向下傳遞，每層卷積和池化都是對(duì)輸入圖像的特征提取，最后通過(guò)全連接層和輸出層進(jìn)行模糊分類或識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)包含數(shù)量眾多的網(wǎng)絡(luò)參數(shù)，經(jīng)過(guò)大數(shù)據(jù)訓(xùn)練樣本的重復(fù)循環(huán)訓(xùn)練調(diào)整后，逐漸穩(wěn)定下來(lái)，可以用于對(duì)任意輸入圖像的特征進(jìn)行提取、分類或識(shí)別。由于卷積核心的學(xué)習(xí)能力，卷積神經(jīng)網(wǎng)絡(luò)天然具有不受圖像翻轉(zhuǎn)、旋轉(zhuǎn)等操作影響的特性。

3 基于機(jī)器學(xué)習(xí)的服裝品牌基因識(shí)別方法設(shè)計(jì)

基于機(jī)器學(xué)習(xí)的品牌基因強(qiáng)度分析通過(guò)建立大量數(shù)據(jù)構(gòu)成的訓(xùn)練數(shù)據(jù)集，依靠機(jī)器學(xué)習(xí)模型在圖片識(shí)別訓(xùn)練過(guò)程中不斷地學(xué)習(xí)，最終使其能夠?qū)π碌姆b設(shè)計(jì)樣本做出品牌分類。最后利用其在輸入圖片的信息處理過(guò)程中所得到的特征數(shù)據(jù)，作為品牌基因強(qiáng)度的分析方法，即采用卷積神經(jīng)網(wǎng)絡(luò)對(duì)輸入的品牌產(chǎn)品圖片所提取出的特征信息作為品牌基因的參考數(shù)據(jù)。此種方法的建立，需要對(duì)大量的品牌服裝設(shè)計(jì)產(chǎn)品的數(shù)據(jù)信息進(jìn)行收集整理，建立對(duì)應(yīng)的品牌基因識(shí)別因素標(biāo)簽，通過(guò)專業(yè)的研究，分析得到適用于機(jī)器學(xué)習(xí)方法的服裝品牌基因標(biāo)簽集所涵蓋的范疇及量化標(biāo)準(zhǔn)。

服裝品牌基因的識(shí)別首先要具有足夠的數(shù)據(jù)樣本供所設(shè)計(jì)算法學(xué)習(xí)，同時(shí)一個(gè)滿足當(dāng)前應(yīng)用的具有學(xué)習(xí)能力的算法模型是其核心部分。利用品牌服裝設(shè)計(jì)的歷史產(chǎn)品所組建的數(shù)據(jù)集，對(duì)所建立的機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練，模仿人腦學(xué)習(xí)的過(guò)程，使其能夠認(rèn)知到品牌的基因片段，并依托計(jì)算機(jī)優(yōu)于人腦的數(shù)據(jù)處理能力，最終以此來(lái)分析新數(shù)據(jù)的品牌基因強(qiáng)度。本文采用方法如下：首先利用計(jì)算機(jī)根據(jù)圖像表達(dá)的視覺(jué)特征對(duì)大量的圖像數(shù)據(jù)進(jìn)行識(shí)別，在識(shí)別的基礎(chǔ)上按照特征屬性分類?；静襟E是：先提取圖像的視覺(jué)特征，然后利用訓(xùn)練樣本訓(xùn)練品牌基因分類器，最后利用分類器對(duì)圖像進(jìn)行品牌基因強(qiáng)度測(cè)量和模式識(shí)別（類別判定）[10]。

3.1 服裝品牌數(shù)據(jù)集建立

結(jié)合機(jī)器學(xué)習(xí)的特征，首先需要考慮服裝具有特征性的表征信息分類標(biāo)準(zhǔn)。對(duì)于成熟的服裝品牌而言，其品牌內(nèi)通常會(huì)有嚴(yán)格的分類管理標(biāo)準(zhǔn)，即其品牌內(nèi)容的管理方法。不同的品牌在品牌內(nèi)部分類中會(huì)具有一定的差異，例如多數(shù)品牌首先按目標(biāo)性別分類，即不同的產(chǎn)品線。其次再進(jìn)行性別內(nèi)容的分類，例如款式、材質(zhì)、工藝等。但有些品牌會(huì)以風(fēng)格為第一基準(zhǔn)進(jìn)行分類，這種情況下，在建立可以盡可能充分包含一個(gè)品牌內(nèi)諸多設(shè)計(jì)信息的模型訓(xùn)練數(shù)據(jù)集時(shí)，就需要采用一種具有普適效應(yīng)的分類管理辦法，既可以囊括機(jī)器學(xué)習(xí)處理方法中所針對(duì)的數(shù)據(jù)，又可以對(duì)服裝品牌特點(diǎn)進(jìn)行詳細(xì)準(zhǔn)確的歸納，統(tǒng)一對(duì)諸多品牌內(nèi)部分類的管理。從而組織一套內(nèi)容分布均勻且具備有效數(shù)據(jù)的數(shù)據(jù)集，可以更好地對(duì)機(jī)器學(xué)習(xí)模型進(jìn)行訓(xùn)練。

由于機(jī)器學(xué)習(xí)模型可以更加高效地建立起針對(duì)圖形的邊界、基礎(chǔ)圖像模塊的成像風(fēng)格、圖像信息的重點(diǎn)部位等信息的敏感性，因此在服裝品牌數(shù)據(jù)訓(xùn)練集的建立中應(yīng)該重點(diǎn)關(guān)注這三個(gè)方面。同時(shí)，由于男裝與女裝之間的特征差異較為明顯，因此將對(duì)服裝的男女分類作為其首要分類方法。值得注意的是，此分類方法應(yīng)用于本文的訓(xùn)練數(shù)據(jù)集的創(chuàng)建，僅為保證訓(xùn)練數(shù)據(jù)集中盡可能地包含品牌服裝所具有的一切特征。而本文所設(shè)計(jì)模型，目標(biāo)于對(duì)統(tǒng)一共性特征的學(xué)習(xí)，因此對(duì)于此處所采用的分類方法并不敏感，其結(jié)果也不受到此處分類順序的影響。此處所用分類管理方法，僅為本文進(jìn)行圖片數(shù)據(jù)采集服務(wù)。參考前文中基于統(tǒng)計(jì)學(xué)的分析方法，本文所述研究在服裝品牌訓(xùn)練數(shù)據(jù)的管理分類中采用如下類型：

第一類：性別分類，服裝的性別特征是最直觀明顯的，所以將針對(duì)男、女、中性的服裝作為第一種類別，在組成訓(xùn)練集中盡量滿足平均分布，提高模型訓(xùn)練的成功率;

第二類：款式分類，由于服裝款式在服裝的品牌形象中占據(jù)比較主導(dǎo)的作用，因此將服裝款式分類作為數(shù)據(jù)分類中的一個(gè)類別，在組成訓(xùn)練集中盡量包含具有品牌特征的款式;

第三類：圖案分類，由于圖案對(duì)服裝品牌信息具有代表性，因此圖案也作為一個(gè)分類標(biāo)準(zhǔn)，在組成訓(xùn)練集中盡量包含更多具有品牌特征的圖案，提高訓(xùn)練的樣本量;

第四類：材料分類，材料在服裝品牌的識(shí)別中具有代表性，其偶爾但不總是起到主導(dǎo)作用，因此作為一種分類標(biāo)準(zhǔn)，在組成訓(xùn)練集中盡量包含具有品牌特征的材質(zhì);

第五類：顏色分類，根據(jù)以往統(tǒng)計(jì)學(xué)分類的結(jié)果可知，服裝顏色不會(huì)對(duì)服裝品牌識(shí)別起到主導(dǎo)性作用，本文中認(rèn)為其具有一些輔助作用，因此作為一類數(shù)據(jù)進(jìn)行管理，在組成訓(xùn)練集中盡量包含具有品牌常用的色彩。

上述分類是根據(jù)機(jī)器學(xué)習(xí)特性，結(jié)合服裝產(chǎn)品特征所總結(jié)的，作為品牌訓(xùn)練數(shù)據(jù)集采集工作的指導(dǎo)，針對(duì)每一個(gè)品牌特征篩選出適合該品牌的數(shù)據(jù)集組成，并非五類需要同時(shí)滿足分布要求。

3.2 神經(jīng)網(wǎng)絡(luò)模型設(shè)計(jì)

綜合這些圖像識(shí)別方法，本文根據(jù)所建立服裝圖像數(shù)據(jù)集的特點(diǎn)，采用了一種常用于圖像數(shù)據(jù)分析的9層卷積神經(jīng)網(wǎng)絡(luò)Alexnet作為分類模型網(wǎng)絡(luò)[11]，如圖1所示。其中，1、3、5、6、7層為卷積層;2、4層為池化層;8、9為全連接層。

卷積神經(jīng)網(wǎng)絡(luò)中的卷積層包含多個(gè)神經(jīng)元，每個(gè)神經(jīng)元利用多個(gè)可訓(xùn)練的卷積核分別與輸入圖像進(jìn)行卷積求和，加上偏置，經(jīng)過(guò)激活函數(shù)后輸出新值，構(gòu)成新的特征圖像。即：

式中：l代表網(wǎng)絡(luò)中的層，其中W即為每層卷積核的權(quán)重?cái)?shù)據(jù);A為前一層的輸出，即當(dāng)前層的輸入;Z為輸出新值;b為當(dāng)前層的偏置;g（）為當(dāng)前層所采用的激活函數(shù)。

最終輸出通過(guò)全連接層，轉(zhuǎn)化為對(duì)各分析因素的強(qiáng)度值。

3.3 應(yīng)用場(chǎng)景及模型訓(xùn)練

品牌基因識(shí)別系統(tǒng)能夠在產(chǎn)品的設(shè)計(jì)開(kāi)發(fā)過(guò)程中，評(píng)估設(shè)計(jì)的品牌基因強(qiáng)度，將數(shù)據(jù)如實(shí)反饋給設(shè)計(jì)師，品牌設(shè)計(jì)師可以更加客觀地把控產(chǎn)品的品牌基因強(qiáng)度，為設(shè)計(jì)師在創(chuàng)新與繼承之間的抉擇提供一個(gè)客觀數(shù)據(jù)支撐。服裝品牌基因強(qiáng)度識(shí)別能夠指導(dǎo)企業(yè)的產(chǎn)品企劃，保證產(chǎn)品的品牌基因強(qiáng)度范圍，合理規(guī)劃產(chǎn)品結(jié)構(gòu)，掌控時(shí)尚流行因子與品牌基因之間融合的平衡性，最終獲得消費(fèi)者精神層面的認(rèn)同感和歸屬感。

本文采用所建立的三種服裝品牌的同類衣服圖片數(shù)據(jù)集，對(duì)上述模型進(jìn)行訓(xùn)練。為了保證數(shù)據(jù)的均衡性，實(shí)驗(yàn)數(shù)據(jù)分別使用了Dior、Chanel、Valentino三個(gè)品牌，基于上述圖片分類管理原則搜集每個(gè)品牌各500張圖片，共計(jì)1 500張圖片。其中10%的圖片通過(guò)隨機(jī)挑選作為訓(xùn)練后測(cè)試集，且不參與訓(xùn)練，其余90%作為訓(xùn)練數(shù)據(jù)。輸入卷積層的圖片大小統(tǒng)一經(jīng)過(guò)圖片處理軟件Photoshop進(jìn)行了自動(dòng)背景消除，且在訓(xùn)練過(guò)程中采用輸入圖像的翻轉(zhuǎn)作為輸入數(shù)據(jù)增強(qiáng)手段，以消除背景圖像影響。最終，通過(guò)迭代訓(xùn)練，達(dá)到在測(cè)試集上的測(cè)試品牌分辨精度達(dá)到94%以上。訓(xùn)練過(guò)程中，圖片成組輸入且順序?yàn)殡S機(jī)，以此保證訓(xùn)練過(guò)程中學(xué)習(xí)到的信息的公平性。

3.4 結(jié)果采集與分析

品牌基因結(jié)果的采集上，雖然最終分類結(jié)果由以上定義的網(wǎng)絡(luò)的最后一層（全連接層）輸出，但本文采用最后一層卷積層輸出圖像特征作為“品牌基因”數(shù)據(jù)，其所輸出6個(gè)特征結(jié)果如圖2所示。其中，品牌A中所選擇服裝圖片（左側(cè)）經(jīng)過(guò)分類網(wǎng)絡(luò)，提取其最后一層卷積輸出并進(jìn)行可視化后（右側(cè)），其相應(yīng)位置特征表現(xiàn)出明顯的相似性。

為達(dá)到量化對(duì)比特征相似度的目的，本文采用了誤差的相似度衡量算法：輸出特征矩陣相同位置的特征數(shù)值在10%誤差范圍內(nèi)即算作相似，在此基礎(chǔ)上再計(jì)算相似特征數(shù)值在總輸出特征中的占比。經(jīng)過(guò)特征相似性對(duì)比后，品牌A中兩組輸出特征的相似度為66.92%。而品牌A與品牌B（左側(cè)）通過(guò)服裝圖片并不能很好地分辨品牌差異，但品牌A與B之間所得特征數(shù)據(jù)（右側(cè)）可視化后表現(xiàn)出明顯的差異。同樣采用量化相似度分析后，品牌A與B之間輸出特征相似度僅有52.98%。以上量化結(jié)果在相似性對(duì)比中具有顯著差異。

由圖2可見(jiàn)，通過(guò)隨機(jī)選擇品牌內(nèi)服裝圖像作為輸入，所采集到經(jīng)準(zhǔn)確分類后的“品牌基因”特征數(shù)據(jù)表現(xiàn)出明顯的品牌內(nèi)相似度極高及品牌間非常不同的特點(diǎn)。同時(shí)也證實(shí)，此方法在“品牌基因”提取上的有效性，即可以有效地根據(jù)輸入圖像，得到品牌的特征信息。

4 結(jié) 論

本文提出了基于機(jī)器學(xué)習(xí)的服裝品牌基因強(qiáng)度識(shí)別方法，并針對(duì)機(jī)器學(xué)習(xí)的特性提出了數(shù)據(jù)集的管理分類標(biāo)準(zhǔn)、圖像識(shí)別標(biāo)準(zhǔn)和數(shù)據(jù)采集要求，最終通過(guò)實(shí)驗(yàn)手段證明了品牌之間存在基因差異。在之后的研究中，可根據(jù)這個(gè)標(biāo)準(zhǔn)拓展圖像識(shí)別的方法、建立相關(guān)的數(shù)據(jù)集資料，將數(shù)據(jù)放入機(jī)器學(xué)習(xí)模型中進(jìn)行訓(xùn)練，最終可得到一個(gè)服裝品牌基因強(qiáng)度識(shí)別模型。

這種擺脫了人腦主觀因素干擾的圖像信息識(shí)別數(shù)據(jù)，不僅能更加準(zhǔn)確地為人們揭示品牌在自身的歷史傳承中其品牌基因強(qiáng)度的變化和繼承情況，也能在品牌與品牌之間梳理出一個(gè)更加清晰和準(zhǔn)確的品牌基因圖譜。根據(jù)這份圖譜，揭示產(chǎn)品之間的關(guān)聯(lián)，把握服裝產(chǎn)品設(shè)計(jì)的風(fēng)格和特點(diǎn)，對(duì)繼承與創(chuàng)新作出抉擇。

參考文獻(xiàn)：

[1]劉曉剛， 李峻， 曹霄潔. 品牌服裝設(shè)計(jì)概論[M]. 上海： 東華大學(xué)出版社， 2011： 3.

LIU Xiaogang， LI Jun， CAO Xiaojie. Branded Fanshion Design[M]. Shanghai： Donghua University Press， 2011： 3.

[2]楊保軍. 品牌進(jìn)化的動(dòng)力機(jī)制與模型分析[J]. 河南科技大學(xué)學(xué)報(bào)（社會(huì)科學(xué)版）， 2010， 28（4）： 74-77.

YANG Baojun. Brand evolutionary dynamic mechanism and model analysis[J]. Journal of Henan University of Science and Technology（Social Science）， 2010， 28（4）： 74-77.

[3]趙北辰. 探究女裝品牌基因的顯性特征和隱性要素[D]. 長(zhǎng)沙： 湖南師范大學(xué)， 2018.

ZHAO Beichen. Exploring the Dominant and Recessive Elements of the Brand Gene of Womens Clothing[D]. Changsha： Hunan Normal University， 2018.

[4]李峻. 基于產(chǎn)品平臺(tái)的品牌服裝協(xié)同設(shè)計(jì)研究[D]. 上海： 東華大學(xué)， 2013.

LI Jun. Research of Branded Apparel Collaborative Design Based on Product Platform[D]. Shanghai： Donghua University， 2013.

[5]BISHOP C M. Paltern Recognition and Neural Networks[M]. Oxford： Oxford University Press， 1995.

[6]CHAKRABARTI S， ESTER M， FAYYAD U. Data mining curriculum： a proposal[J]. Intensive Working Group of ACM SIGKDD Curriculum Committee， 2006， 140： 1-10.

[7]陳小燕. 機(jī)器學(xué)習(xí)算法在數(shù)據(jù)挖掘中的應(yīng)用[J]. 現(xiàn)代電子技術(shù)， 2015， 38（20）： 11-14.

CHEN Xiaoyan. Application of machine learning algorithm in data mining[J]. Modern Electronics Technique， 2015， 38（20）： 11-14.

[8]李海芳， 焦麗鵬， 賀靜. 多特征綜合的圖像模糊情感注釋方法研究[J]. 中國(guó)圖象圖形學(xué)報(bào)， 2009， 14（3）： 531-536.

LI Haifang， JIAO Lipeng， HE Jing. Affective annotation of images based on multi-feature[J]. Journal of Image and Graphics， 2009， 14（3）： 531-536.

[9]KRIZHEVSKY A， SUTSKEVER I， HINTON G E. Imagenet classification with deep convolutional neural networks[C]//Proceedings of Advances in Neural Information Processing Systems 25. USA： Nevada， 2012： 1097-1105.

[10]高彥宇， 王新平， 尹怡欣. 自然風(fēng)景圖像情感標(biāo)識(shí)方法研究[J]. 小型微型計(jì)算機(jī)系統(tǒng)， 2011， 32（4）： 767-771.

GAO Yanyu， WANG Xinping， YIN Yixin. Research on affective annotation for natural scene images[J]. Journal of Chinese Computer Systems， 2011， 32（4）： 767-771.

[11]姜英， 王延江， 林青， 等. 基于卷積神經(jīng)網(wǎng)絡(luò)與Bayesian決策的圖像識(shí)別與分類記憶建模[J]. 中國(guó)科學(xué)： 技術(shù)科學(xué)， 2017， 47（9）： 977-984.

JIANG Ying， WANG Yanjiang， LIN Qing， et al. A memory model for image recognition and classfication based on convolutional neural network and Bayesian decision[J]. Scientia Sinica Technologica， 2017， 47（9）： 977-984.