FashionAI全球挑战赛——服饰关键点定位

竞赛链接

本项目为快速跑通流程的一个原型，可以当成一个 baseline ，线下测试的分数大约为 13% ， 最终线上的成绩为 11.81%，在初赛中排 101 名。项目用 Keras 实现。

model

模型部分非常简单，直接使用了 xception net (不使用预训练好的模型)，对输出层做了微小改动，使其输出直接是 24个坐标点，共48个数值。

loss

比赛的评分指标用的是 Normalized Error， 其实就是对图片中每个关键点的预测偏差除以了一个归一化参数， 其中上衣外套连衣裙的归一化参数是两个腋窝点的欧式距离，裤子和半身裙的归一化参数是两个裤头的欧式距离。

NE 不直接可导，考虑用 NE 的平方作为 loss。但 NE 平方展开较为复杂，你会发现分子部分实际上有很多二次交叉项， 代码实现起来感觉很繁琐。因此我在实际训练的时候使用的 loss，是直接对 square error 做归一化，再求和做平均。

dataloader

这个步骤比较繁琐，因为数据量还是不小的，无法全部读入内存中，因此把他抽象成一个类来，效果如下:

train_imgs = ImageData(..., source_shape=(512, 512), target_shape=(512, 512)
train_imgs[0]
train_imgs[:100]

让 train_imgs 像一个 numpy array 一样可以做 index 和 slice，并且会先对图片进行 padding，然后做缩放。

training

训练的时候把原始训练集按照 9: 1 进行切分，对验证集的 loss 进行监控，当 loss 连续 3 个 epochs 不下降的时候，就 调低 learning rate。当验证集的 loss 连续 5 个 epochs 不下降时，就停止训练。每个 epoch 都查看一下验证集 loss 是否 变小，如果变小了就把当前最好的模型保存起来。