دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Graph Learning for Fashion Compatibility Modeling
دانلود کتاب آموزش نمودار برای مدل سازی سازگاری مد
مشخصات کتاب
Graph Learning for Fashion Compatibility Modeling
ویرایش: [2 ed.] نویسندگان: Weili Guan, Xuemeng Song, Xiaojun Chang, Liqiang Nie سری: Synthesis Lectures on Information Concepts, Retrieval, and Services ISBN (شابک) : 3031188160, 9783031188169 ناشر: Springer سال نشر: 2022 تعداد صفحات: 119 [120] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 3 Mb
قیمت کتاب (تومان) : 44,000
در صورت تبدیل فایل کتاب Graph Learning for Fashion Compatibility Modeling به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب آموزش نمودار برای مدل سازی سازگاری مد نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب آموزش نمودار برای مدل سازی سازگاری مد
این کتاب تئوری های پیشرفته را برای سناریوهای چالش
برانگیزتر مدلسازی سازگاری لباس روشن می کند. به طور خاص، این
کتاب چندین تکنیک یادگیری نمودارهای پیشرفته را ارائه می‌کند که
می‌توانند برای مدلسازی سازگاری لباس استفاده شوند. به دلیل ارزش
اقتصادی قابل توجه آن، مدل سازی سازگاری مد در سال های اخیر توجه
تحقیقاتی فزاینده ای را به خود جلب کرده است. اگرچه تلاش‌های
زیادی به این حوزه تحقیقاتی انجام شده است، مطالعات قبلی عمدتاً
بر مدلسازی سازگاری مد برای لباس‌هایی متمرکز بود که فقط شامل دو
آیتم بود و این واقعیت را نادیده گرفت که هر لباس ممکن است از
تعداد متغیری از آیتم‌ها تشکیل شده باشد. این کتاب مجموعه‌ای از
طرح‌های مدلسازی سازگاری لباس مبتنی بر یادگیری نموداری را توسعه
می‌دهد، که همگی مؤثر بودن آنها در چندین مجموعه داده عمومی در
دنیای واقعی ثابت شده است. این رویکرد سیستماتیک با معرفی
تکنیک‌هایی برای مدلسازی سازگاری لباس‌ها که شامل تعداد متغیری
از آیتم‌های ترکیبی است، به خوانندگان سود می‌رساند. برای مقابله
با کار چالش برانگیز مدلسازی سازگاری لباس، این کتاب راه‌حل‌های
جامعی را ارائه می‌کند، از جمله یادگیری نمودار همبستگی، یادگیری
گراف مبتنی بر مدالیت، یادگیری گراف جداشده بدون نظارت، یادگیری
گراف جداشده با نظارت جزئی، و یادگیری گراف ناهمگن هدایت‌شده توسط
فرامسیر. علاوه بر این، این کتاب مرزهای تحقیقاتی را روشن می‌کند
که می‌تواند الهام‌بخش مسیرهای تحقیقاتی آینده برای دانشمندان و
محققان باشد.
توضیحاتی درمورد کتاب به خارجی
This book sheds light on state-of-the-art theories for
more challenging outfit compatibility modeling scenarios.
In particular, this book presents several cutting-edge
graph learning techniques that can be used for outfit
compatibility modeling. Due to its remarkable economic
value, fashion compatibility modeling has gained increasing
research attention in recent years. Although great
efforts have been dedicated to this research area, previous
studies mainly focused on fashion compatibility modeling for
outfits that only involved two items and overlooked the fact
that each outfit may be composed of a variable number of
items. This book develops a series of graph-learning
based outfit compatibility modeling schemes, all of which have
been proven to be effective over several public real-world
datasets. This systematic approach benefits readers by
introducing the techniques for compatibility modeling of
outfits that involve a variable number of composing
items. To deal with the challenging task of outfit
compatibility modeling, this book provides comprehensive
solutions, including correlation-oriented graph learning,
modality-oriented graph learning, unsupervised disentangled
graph learning, partially supervised disentangled graph
learning, and metapath-guided heterogeneous graph learning.
Moreover, this book sheds light on research frontiers
that can inspire future research directions for scientists and
researchers.
فهرست مطالب
Preface Acknowledgements Contents About the Authors 1 Introduction 1.1 Background 1.2 Challenges 1.3 Our Solutions 1.4 Book Structure 2 Correlation-Oriented Graph Learning for OCM 2.1 Introduction 2.2 Related Work 2.3 Methodology 2.3.1 Problem Formulation 2.3.2 Multimodal Outfit Compatibility Modeling 2.4 Experiment 2.4.1 Experimental Settings 2.4.2 Model Comparison 2.4.3 Ablation Study 2.4.4 Case Study 2.5 Summary 3 Modality-Oriented Graph Learning for OCM 3.1 Introduction 3.2 Related Work 3.3 Methodology 3.3.1 Problem Formulation 3.3.2 Multimodal Embedding 3.3.3 Modality-Oriented Graph Learning 3.3.4 Outfit Compatibility Estimation 3.4 Experiment 3.4.1 Experimental Settings 3.4.2 Model Comparison 3.4.3 Ablation Study 3.4.4 Modality Comparison 3.4.5 Hyperparameter Discussion 3.5 Summary 4 Unsupervised Disentangled Graph Learning for OCM 4.1 Introduction 4.2 Related Work 4.3 Methodology 4.3.1 Problem Formulation 4.3.2 Context-Aware Outfit Representation Learning 4.3.3 Hidden Complementary Factors Learning 4.3.4 Outfit Compatibility Modeling 4.4 Experiment 4.4.1 Experimental Settings 4.4.2 Model Comparison 4.4.3 Ablation Study 4.4.4 Case Study 4.5 Summary 5 Supervised Disentangled Graph Learning for OCM 5.1 Introduction 5.2 Related Work 5.3 Methodology 5.3.1 Problem Formulation 5.3.2 Partially Supervised Compatibility Modeling 5.4 Experiment 5.4.1 Experimental Settings 5.4.2 Model Comparison 5.4.3 Ablation Study 5.4.4 Case Study 5.5 Summary 6 Heterogeneous Graph Learning for Personalized OCM 6.1 Introduction 6.2 Related Work 6.3 Methodology 6.3.1 Problem Formulation 6.3.2 Metapath-Guided Personalized Compatibility Modeling 6.4 Experiment 6.4.1 Experimental Settings 6.4.2 Model Comparison 6.4.3 Ablation Study 6.4.4 Sensitivity Analysis 6.4.5 Case Study 6.5 Summary 7 Research Frontiers [DELETE] 7.1 Efficient Fashion Compatibility Modeling 7.2 Unbiased Fashion Compatibility Modeling 7.3 Try-On Enhanced Fashion Compatibility Modeling
