论文笔记DeepFashion2：A Versatile Benchmark for Detection, Pose Estimation Segmentation ，Re-Identification

DeepFashion2: A Versatile Benchmark for Detection, Pose Estimation Segmentation and Re-Identification of Clothing Images

DeepFashion2数据集 包含 49.1 万张图像，包含 13 种流行的服饰类别。
数据集划分：391K 张 training 图片；34K 张 validation 图片；67K 张 test 图片。
Deep Fashion2数据集特点：
1.大规模：它包括 49.1 万张图像，总共是 4.38 万个服饰标识（购物店展示的独特服饰）。
2.多功能：DeepFashion2 面向多种时尚理解任务。它丰富的标注支持服饰检测和分类、密集标注和姿态检测、实例分割以及跨域实例级别的服饰检索。
3.表达能力：单张图像中存在多个服饰，有 13 种不同类别的标识和姿态。
4.多样性：研究者通过控制它们的 4 个属性变量来收集数据，包括尺寸、遮挡、缩放和视角。
Deep Fashion 数据集与Deep Fashion2 数据集区别：
a）Deep Fashion 数据集:
1.每张图像只有一件衣服的bounding box，用 4~8 个稀疏标志标注。
2. bounding box基于标签标记估计，定位不准确。
b）Deep Fashion2 数据集:
1.每张图像最少有一件服饰，最多有七件服饰。
2.每件服饰都被手动标记了边界框、掩膜和密集的标注（平均每件服饰 20 个标记），还有卖家秀-买家秀图像对。

数据集百度网盘下载地址：deepfashion2数据集
密码：td88
论文笔记ppt:论文笔记ppt

论文创新点：

（1）提出新的时尚数据集DeepFashion2 拥有最丰富的任务定义和最大数量的标签。它的标注至少是 DeepFashion[14] 的 3.5 倍，是 ModaNet 的 6.7 倍，是 FashionAI 的 8 倍。
（2）在本文提出的数据集上仔细定义了全部任务。例如，据本文研究者所知，服饰姿态估计是首次在文献中通过对 13 个类别的姿态和标记进行定义来提出，这些姿态要比人类的姿态更多样化，更加丰富。
（3）用 DeepFashion2数据集评测了 Mask R-CNN。并且提出了新的 Match R-CNN 网络模型所有从服饰类别、姿态以及掩膜中学习到的特征，用一种端到端的方式解决服饰图像检索的问题。
总结：

相关参考文章：
DeepFashion2数据集：87.3万对买家秀-卖家秀图像+海量标注
DeepFashion2 - Match R-CNN Banchmarks
网络结构：