[論文レビュー] Predicting Next-Season Designs on High Fashion Runway

Yusan Lin, Hao Yang|arXiv (Cornell University)|Jul 16, 2019

Fashion and Cultural Textiles参考文献 17被引用数 5

ひとこと要約

この論文は、32年分のファッション・ショー画像を用いて次シーズンのハイファッション・ランウェイ・デザインを予測する深層学習フレームワークを提案する。視覚的データからコレクションおよびトレンド埋め込みを学習し、RNN/LSTMを用いてデザイナーのスタイルの進化をモデル化することで、平均AUCが78.42%に達し、個々のデザイナーでは最大95%に達する。これは、ファッショントレンド予測において優れた予測性能を示している。

ABSTRACT

Fashion is a large and fast-changing industry. Foreseeing the upcoming fashion trends is beneficial for fashion designers, consumers, and retailers. However, fashion trends are often perceived as unpredictable due to the enormous amount of factors involved into designers' subjectivity. In this paper, we propose a fashion trend prediction framework and design neural network models to leverage structured fashion runway show data, learn the fashion collection embedding, and further train RNN/LSTM models to capture the designers' style evolution. Our proposed framework consists of (1) a runway embedding learning model that uses fashion runway images to learn every season's collection embedding, and (2) a next-season fashion design prediction model that leverage the concept of designer style and trend to predict next-season design given designers. Through experiments on a collected dataset across 32 years of fashion shows, our framework can achieve the best performance of 78.42% AUC on average and 95% for an individual designer when predicting the next season's design.

研究の動機と目的

• 歴史的ランウェイデータに基づいて次シーズンのデザインを予測する定量的・大規模なファッショントレンド予測システムの開発。
• ファッションコレクション埋め込みを用いた時系列モデリングにより、デザイナーのスタイルの進化をモデル化すること。
• ランウェイショーとシーズンの埋め込みを共同で学習することで、個々のデザイナーのスタイルと広範な業界トレンドの両方を捉えること。
• 定性的なトレンド予測を改善し、次シーズンのファッションデザインをデータ駆動型、スケーラブルで正確に予測可能にするもの。

提案手法

• ジョイントタスクニューラルネットワークが、ファッションショーの画像セットからデザイナーとシーズンを同時に分類することで、ランウェイショー埋め込みを学習する。
• ランウェイ埋め込みモデルは、画像セットからの判別的視覚的表現を学ぶために、コントラスト損失を用いたシアン型アーキテクチャを採用する。
• 各ファッションショーのコレクション埋め込みは、訓練済みのランウェイ埋め込みモデルから抽出され、各デザイナーごとに個別化されたRNN/LSTMモデルの入力として使用される。
• RNN/LSTMモデルはデザイナーのコレクションにおける時系列パターンを学習し、コサイン類似度スコアリングを用いて将来のデザインの可能性を予測する。
• 次シーズンの予測タスクを最適化するために、ベイジアンパーソナライズドランクイング（BPR）損失が使用され、真の次シーズンのデザインがランダムなネガティブサンプルよりも高い順位に来るようにする。
• フレームワークは、検証損失の収束に基づく早期停止を伴い、Adam最適化アルゴリズムを用いてエンドツーエンドで訓練される。

実験結果

リサーチクエスチョン

• RQ1 ファッションランウェイコレクションの視覚的表現は、デザイナーのアイデンティティとシーズントレンドの両方を効果的に捉えるために適切に学習可能か？
• RQ2 RNN/LSTMモデルは、複数シーズンにわたるデザイナーのスタイルの時間的進化をどの程度正確に捉えることができるか？
• RQ3 デザイナー固有のスタイルとマクロトレンド埋め込みの共同モデルは、ランダムベースラインと比較して、次シーズンのデザインをどの程度正確に予測できるか？
• RQ4 RNNとLSTMアーキテクチャの間には、ファッションデザイン進行のモデリングにおいてどの程度のパフォーマンス格差が生じるか？

主な発見

• 提案されたフレームワークは、202人のデザイナー全体で平均AUCが78.42%を達成し、50%のランダムベースラインを著しく上回った。
• 個々のデザイナーでは、最良のモデルが95%のAUCに達し、トップクラスのデザイナーに対する強力な予測能力を示した。
• LSTMモデルはRNNを上回り、平均AUCは78.42%（RNNは78.40%）を記録し、最小性能でも64.17%（RNNは53.85%）を達成した。
• ランウェイ埋め込みモデルは、2.5%の正確度（ベースライン0.4%）でデザイナーを区別でき、シーズン分類（50.25%、ベースライン50%）よりも優れた性能を示した。
• このモデルは、長期的な視覚的シーケンスとスタイル・トレンドダイナミクスの共同モデリングを活用することで、ファッショントレンドが予測可能であることを示した。