民族服饰融合分析方法及装置

本技术涉及图片识别，具体而言，涉及一种民族服饰融合分析方法及装置。

背景技术：

1、民族服饰作为民族间物质文化交往交流交融的代表，是中华文化认同扩大的重要媒介和居间环节,推动了多元与共享的中华服饰文化体系的形成,中华文化认同秩序得以重构。作为民族精神文化和物质文化传承的载体，各民族服饰特征之间的相互影响和发展也是铸牢民族共同体意识的体现。探究各民族服饰之间的关联性，有助于更深层次的挖掘民族融合过程具有重大意义。

2、现有技术中，链路预测属于数据挖掘方向以及所述图挖掘范畴，大部分是基于相似度得分方法、基于监督学习方法和基于神经网络方法，但是，现有的链路预测方法得到的预测结果不准确。因此，亟需一种更准确的预测方法对民族服饰之间的关联性进行分析。

技术实现思路

1、本技术的目的在于，针对上述现有技术中的不足，提供一种民族服饰融合分析方法及装置，提高各服饰之间的关联关系的准确性。

2、为实现上述目的，本技术实施例采用的技术方案如下：

3、第一方面，本技术实施例提供了一种民族服饰融合分析方法，所述方法包括：

4、获取多个服饰图像，并对各服饰图像进行分割，得到各服饰图像对应的至少一个子图像；

5、将各服饰图像的各子图像输入至预先训练的第一卷积神经网络模型中进行特征提取以及特征相似度对比，得到各所述子图像之间的特征相似度；

6、根据各所述子图像之间的特征相似度以及各所述子图像的属性信息，通过预先训练得到第二卷积神经网络模型建立节点链路，所述节点链路中包括多个节点以及至少一条连线，各节点分别用于表征一个所述子图像，各节点的属性信息用于表征对应的子图像的属性信息，各连线分别连接两个节点，所述连线用于表征所连接的两个节点具有关联关系；

7、将所述节点链路输入至链路预测网络模型中进行优化调整，得到目标节点链路，并根据所述目标节点链路确定各服饰图像中的民族服饰的关联关系。

8、可选地，所述将各服饰图像的各子图像输入至预先训练的第一卷积神经网络模型中进行特征提取以及特征相似度对比，得到各所述子图像之间的特征相似度之前，还包括：

9、对各子图像分别进行预处理；

10、所述将各服饰图像的各子图像输入至预先训练的第一卷积神经网络模型中进行特征提取以及特征相似度对比，得到各所述子图像之间的特征相似度，包括：

11、将预处理后的各子图像输入至预先训练的第一卷积神经网络模型中进行特征提取以及特征相似度对比，得到各所述子图像之间的特征相似度。

12、可选地，所述对各子图像分别进行预处理，包括：

13、对各所述子图像进行分类，得到各所述子图像的属性信息，所述属性信息包括所述子图像的类别信息；

14、将各所述子图像调整为预设大小的图像。

15、可选地，所述预先训练的第一卷积神经网络模型中的全连接层的维度为第一预设值，所述全连接层的层数为第二预设值，所述第一卷积神经网络模型中的消除层的置零概率为第三预设值。

16、可选地，将各所述子图像输入至预先训练的第一卷积神经网络模型中进行特征提取以及特征相似度对比，得到各所述子图像之间的特征相似度，包括：

17、将各所述子图像输入至所述预先训练的第一卷积神经网络模型中进行特征提取，得到各所述子图像的图像特征；

18、对各所述子图像的图像特征进行相似度对比，得到各所述子图像之间的特征相似度。

19、可选地，所述根据各所述子图像之间的特征相似度以及各所述子图像的属性信息，通过预先训练得到第二卷积神经网络模型建立节点链路，包括：

20、将各所述子图像之间的特征相似度以及各所述子图像的属性信息输入所述第二卷积神经网络模型中，由所述第二卷积神经网络模型根据各所述子图像之间的特征相似度，确定两两子图像之间的关联信息，并利用所述第二卷积神经网络模型中的嵌入模块，根据两两子图像之间的关联信息以及各子图像的属性信息建立所述节点链路。

21、可选地，所述将所述节点链路输入至链路预测网络模型中进行优化调整之前，包括：

22、将所述节点链路输入至预先训练得到的社区重构模型，由所述社区重构模型对所述节点链路中的各节点的属性信息进行重构分析，得到重构社区后的节点链路，并将重构社区后的节点链路输入至所述链路预测网络模型中。

23、可选地，所述社区重构模型与所述链路预测网络模型通过联合训练方式训练得到，且社区重构模型与所述链路预测网络模型联合训练时通过预测损失函数以及图重建损失函数确定损失结果。

24、可选地，所述社区重构模型与所述链路预测网络模型的联合训练过程包括：

25、将训练样本输入初始社区重构模型中，得到第一节点链路；

26、将所述第一节点链路输入初始链路预测网络模型中，得到第二节点链路；

27、基于所述预测损失函数以及所述图重建损失函数对所述第二节点链路进行运算，得到所述初始社区重构模型以及初始链路预测网络模型的损失结果；

28、根据所述初始社区重构模型以及初始链路预测网络的损失结果，对所述初始社区重构模型以及初始链路预测网络进行迭代修正，直至满足迭代结束条件，得到所述社区重构模型与所述链路预测网络模型。

29、第二方面，本技术实施例还提供了一种民族服饰融合分析装置，所述装置包括：

30、获取模块，用于获取多个服饰图像，并对各服饰图像进行分割，得到各服饰图像对应的至少一个子图像；

31、输入模块，用于将各服饰图像的各子图像输入至预先训练的第一卷积神经网络模型中进行特征提取以及特征相似度对比，得到各所述子图像之间的特征相似度；

32、建立模块，用于根据各所述子图像之间的特征相似度以及各所述子图像的属性信息，通过预先训练得到第二卷积神经网络模型建立节点链路，所述节点链路中包括多个节点以及至少一条连线，各节点分别用于表征一个所述子图像，各节点的属性信息用于表征对应的子图像的属性信息，各连线分别连接两个节点，所述连线用于表征所连接的两个节点具有关联关系；

33、输入模块，用于将所述节点链路输入至链路预测网络模型中进行优化调整，得到目标节点链路，并根据所述目标节点链路确定各服饰图像中的民族服饰的关联关系。

34、可选地，所述输入模块具体用于：

35、对各子图像分别进行预处理；

36、将预处理后的各子图像输入至预先训练的第一卷积神经网络模型中进行特征提取以及特征相似度对比，得到各所述子图像之间的特征相似度。

37、可选地，所述输入模块具体用于

38、对各所述子图像进行分类，得到各所述子图像的属性信息，所述属性信息包括所述子图像的类别信息；

39、将各所述子图像调整为预设大小的图像。

40、可选地，所述预先训练的第一卷积神经网络模型中的全连接层的维度为第一预设值，所述全连接层的层数为第二预设值，所述第一卷积神经网络模型中的消除层的置零概率为第三预设值。

41、可选地，所述输入模块具体用于

42、将各所述子图像输入至所述预先训练的第一卷积神经网络模型中进行特征提取，得到各所述子图像的图像特征；

43、对各所述子图像的图像特征进行相似度对比，得到各所述子图像之间的特征相似度。

44、可选地，所述建立模块具体用于：

45、将各所述子图像之间的特征相似度以及各所述子图像的属性信息输入所述第二卷积神经网络模型中，由所述第二卷积神经网络模型根据各所述子图像之间的特征相似度，确定两两子图像之间的关联信息，并利用所述第二卷积神经网络模型中的嵌入模块，根据两两子图像之间的关联信息以及各子图像的属性信息建立所述节点链路。

46、可选地，所述输入模块具体用于

47、将所述节点链路输入至预先训练得到的社区重构模型，由所述社区重构模型对所述节点链路中的各节点的属性信息进行重构分析，得到重构社区后的节点链路，并将重构社区后的节点链路输入至所述链路预测网络模型中。

48、可选地，所述社区重构模型与所述链路预测网络模型通过联合训练方式训练得到，且社区重构模型与所述链路预测网络模型联合训练时通过预测损失函数以及图重建损失函数确定损失结果。

49、可选地，所述输入模块具体用于：

50、将训练样本输入初始社区重构模型中，得到第一节点链路；

51、将所述第一节点链路输入初始链路预测网络模型中，得到第二节点链路；

52、基于所述预测损失函数以及所述图重建损失函数对所述第二节点链路进行运算，得到所述初始社区重构模型以及初始链路预测网络模型的损失结果；

53、根据所述初始社区重构模型以及初始链路预测网络的损失结果，对所述初始社区重构模型以及初始链路预测网络进行迭代修正，直至满足迭代结束条件，得到所述社区重构模型与所述链路预测网络模型。

54、本技术的有益效果是：

55、本技术提供的一种民族服饰融合分析方法及装置，通过将各服饰图像中的各子图像输入至预先训练的第一卷积神经网络模型中进行特征提取以及相似度对比，可以使得到的各子图像的特征以及各子图像之间的相似度更精确更高效，同时通过第二卷积神经网络模型根据各子图像之间的特征相似度以及各子图像的属性信息得到节点链路并对节点链路进行优化，从而得到目标链路，可以实现对服饰融合关系的链路预测，能够更好的融合属性信息以及连接信息，提高链路预测的预测性能，使得预测结果更准确。