传统的服装图案提取考虑到注意力机制和图像数据增强处理处理
Dandan He1, Bing Xia2, Hong Li2
1School of Information Engineering, Pingdingshan University, Pingdingshan, 467000, China. 2650@pdsu.edu.cn.
Scientific reports
|December 16, 2025
概括
这项研究引入了一种用于提取传统服装图案的新方法,克服了像图像质量差和数据有限这样的挑战. 这种方法可以实现高精度和强大的性能,即使数据稀缺和文化模式多样化.
科学领域:
- 计算机视觉 计算机视觉
- 数字遗产是数字遗产的一部分.
- 模式识别 模式识别
背景情况:
- 传统的服装图案提取面临挑战,包括图像质量差,复杂的纹理和有限的标签数据.
- 现有的方法在不同文化模式的精确细分和概括方面扎.
研究的目的:
- 为准确的传统服装图案提取提出一个多尺度数据增强与极化自我注意 (MSDA-PSA) 方法.
- 为了解决传统服装模式细分中的图像退化,复杂纹理和数据稀缺问题.
主要方法:
- 一个轻量级的细分网络,融合波波变换和生成对抗网络,以实现多层次的增强.
- 双重注意力机制使用两极化自我注意力 (PSA) 专注于歧视性颜色通道和空间细节.
- 多尺度数据增强 (MSDA) 以对抗图像退化和保存纹理细节.
主要成果:
- 实现了89.7%的平均交叉比合 (mIoU) 和0.87的边界F-分数,超过DeepLabv3+超过10%的mIoU.
- 显示出强大的小样本适应性 (72.4%的IOU与10%的数据) 和跨文化概括性 (83%的准确性).
- 在100FPS的实时处理,低延迟 (35.4ms) 和在噪声下强大的性能 (0.82 IoU).
结论:
- MSDA-PSA方法提供了一个高精度,可解释的框架,用于服装图案细分,平衡计算效率和文化特异性.
- 这种方法为数字化文化遗产提供了可行的解决方案,特别是在数据稀缺和文化多样化的场景中.
- 该研究建立了一种强大的方法,用于在复杂的模式提取任务中增强特征一致性和关键区域细分.
