[논문 리뷰] Using Artificial Intelligence to Analyze Fashion Trends

Mengyun Shi, Van Dyk Lewis|arXiv (Cornell University)|2020. 05. 03.

3D Shape Modeling and Analysis참고 문헌 24인용 수 7

한 줄 요약

이 논문은 온라인 유통 및 스트리트웨어 사진을 포함한 다양한 패션 이미지 데이터셋을 기반으로 컴퓨터 비전 모델을 훈련시켜 의류를 감지하고 스타일, 질감, 세부 사항과 같은 속성을 분류함으로써 패션 트렌드 분석을 자동화하는 AI 기반 접근법을 제안한다. 이 모델은 런웨이 이미지와 영상에서 정확하고 자동으로 속성을 추출할 수 있으며, 수작업 노동을 크게 줄이고 트렌드 예측 속도를 높인다.

ABSTRACT

Analyzing fashion trends is essential in the fashion industry. Current fashion forecasting firms, such as WGSN, utilize the visual information from around the world to analyze and predict fashion trends. However, analyzing fashion trends is time-consuming and extremely labor intensive, requiring individual employees' manual editing and classification. To improve the efficiency of data analysis of such image-based information and lower the cost of analyzing fashion images, this study proposes a data-driven quantitative abstracting approach using an artificial intelligence (A.I.) algorithm. Specifically, an A.I. model was trained on fashion images from a large-scale dataset under different scenarios, for example in online stores and street snapshots. This model was used to detect garments and classify clothing attributes such as textures, garment style, and details for runway photos and videos. It was found that the A.I. model can generate rich attribute descriptions of detected regions and accurately bind the garments in the images. Adoption of A.I. algorithm demonstrated promising results and the potential to classify garment types and details automatically, which can make the process of trend forecasting more cost-effective and faster.

연구 동기 및 목표

• 패션 산업에서 수작업 패션 트렌드 분석과 관련된 높은 노동력 및 시간 비용을 해결하기 위해.
• 스타일, 질감, 디자인 세부 사항과 같은 의류 속성을 분류하기 위해 인간 전문가에 대한 의존도를 줄이기 위해.
• 온라인 스토어 및 스트리트 샷과 같은 다양한 패션 이미지 소스를 처리할 수 있는 확장 가능한 데이터 기반 AI 시스템을 개발하기 위해.
• 실시간 트렌드 예측을 지원하기 위해 이미지에서 의류 속성을 자동으로 정확하고 효율적으로 추출할 수 있도록 하기 위해.
• 기존의 수작업이 많은 방법을 대체하거나 보완할 수 있는 AI의 가능성을 입증하기 위해.

제안 방법

• 온라인 유통 및 스트리트웨어 사진을 포함한 다양한 시나리오를 아우르는 대규모 패션 이미지 데이터셋을 기반으로 딥 러닝 모델을 훈련시켰다.
• 인스턴스 수준의 의류 감지 및 속성 분류를 위해 컨볼루션 신경망(CNNs)을 활용했다.
• 런웨이 및 캐주얼 스트리트웨어 이미지와 같은 다양한 이미지 도메인 간의 일반화 능력을 향상시키기 위해 전이 학습 기법을 적용했다.
• 의류 감지와 다중 속성(예: 질감, 스타일, 실루엣) 예측을 동시에 수행할 수 있도록 다중 작업 학습 프레임워크를 설계했다.
• 의류의 국소화와 세부 속성 레이블 할당을 위해 바운딩 박스 회귀 및 분류 헤드를 활용했다.
• 실제 트렌드 분석 응용 프로그램에서의 성능을 평가하기 위해 런웨이 사진과 영상에서 모델을 검증했다.

실험 결과

연구 질문

• RQ1 AI 모델은 온라인 스토어 및 스트리트 샷과 같은 다양한 패션 이미지 소스에서 정확하게 의류를 감지하고 속성을 분류할 수 있는가?
• RQ2 伝통적인 방법에 비해 AI는 패션 트렌드 분류에 필요한 수작업을 얼마나 줄일 수 있는가?
• RQ3 패션 트렌드 분석에서 고해상도 런웨이 이미지와 캐주얼 스트리트웨어 이미지와 같은 다양한 이미지 도메인 간에 모델의 일반화 능력은 어느 정도인가?
• RQ4 AI 시스템은 정확도가 높은 고도로 세부적인 설명을 생성하여 트렌드 예측에 활용할 수 있는가?
• RQ5 AI는 패션 산업에서 트렌드 분석의 속도를 높이고 비용을 낮추는 데 어떤 잠재력을 지니는가?

주요 결과

• AI 모델은 다양한 이미지 소스에서 스타일, 질감, 디자인 세부 사항과 같은 속성을 높은 정확도로 감지하고 분류하는 데 성공했다.
• 모델는 고해상도 런웨이 이미지뿐 아니라 낮은 품질의 스트리트 샷에서도 뛰어난 일반화 능력을 보였다.
• 자동 속성 추출 덕분에 수작업 분류의 필요성이 크게 줄었고, 트렌드 분석 파이프라인의 효율성이 향상되었다.
• 감지된 의류와 해당 속성 간의 신뢰성 있는 연결을 달성하여 시각적 입력으로부터 구조화된 데이터 추출이 가능해졌다.
• 결과적으로 AI는 패션 예측에서 수작업 기반의 트렌드 분석에 대한 확장 가능하고 비용 효율적인 대안이 될 수 있음을 시사한다.
• 이 접근법은 기존의 패션 예측 워크플로우에 통합될 잠재력이 높으며, 속도 향상과 운영 비용 절감에 기여할 수 있다.