全球首个时尚AI算法大赛开启 让机器更懂美

简介: 3月12日,阿里巴巴人工智能开启跨界新篇章——联合香港理工大学纺织及制衣学系(以下简称:香港理工大学ITC)、英国纺织协会共同发起2018 FashionAI全球挑战赛,并发布业界首个同时满足服饰专业性和机器学习要求的大规模高质量数据集,号召全世界的AI科研人才一起关注机器认知时尚的基础问题,共同推动AI 技术在时尚产业的落地。

当时尚遇上科技!
3月12日,阿里巴巴人工智能开启跨界新篇章——联合香港理工大学纺织及制衣学系(以下简称:香港理工大学ITC)、英国纺织协会共同发起2018 FashionAI全球挑战赛,并发布业界首个同时满足服饰专业性和机器学习要求的大规模高质量数据集,号召全世界的AI科研人才一起关注机器认知时尚的基础问题,共同推动AI 技术在时尚产业的落地。

logo_

时尚牵手科技早已成为当下潮流趋势,但人工智能在时尚产业的商业化落地却困难重重。

“这是因为时尚是一件很主观的事情,我们需要用严谨的科学态度去看待主观的时尚。”本次大赛的主办方阿里巴巴“图像和美”团队负责人雷音表示,在多年的技术研发过程中,其团队发现,服饰关键点定位和服饰属性标签识别,是建构AI在服饰应用的两个基础问题,也是本次FashionAI大赛的两个赛题。
_1
“时尚行业的市场潜力很大,但想让科学的AI去认知主观的时尚,就必须将主观审美中的内涵知识和经验规则转化为机器能力的AI。”雷音透露,在长达七年的研究过程中,团队定义了很多新问题,并进行了大量的知识重建。

“我们希望和业界共同关注这一跨界研究中的问题根源,让AI在时尚领域实现更复杂高阶的应用,比如服饰搭配、辅助设计、商品导购等,从而在时尚产业领域发挥更大的价值。”雷音认为,新零售背景下,时尚行业的重塑是必然趋势,而FashionAI正在做的就是在AI和时尚之间架设一座“桥梁”。

072A2308

对此,香港理工大学ITC的郑翼雄时装教授及副系主任黄伟强教授深有同感:“我们共同梳理出基于服饰设计元素的知识架构,作为时尚产业的研究者,我们非常高兴能够与‘图像和美’团队合作,发挥各自所长,开展富有价值的跨界研究。”

072A2336

据了解,本次挑战赛发布的数据集,使用的图像数据,全部来源于电商真实场景,从各个季节、类目等维度的上亿的服装数据中采样得到的,从而保证了数据的多样性。

数据集的标注基于阿里巴巴“图像和美”团队通过与香港理工大学ITC联合研发推出的机器认知时尚角度的知识架构,在标注过程中,对图像数据的标注也做了严格的控制,并由服装专业的研究人员进行复审,保障了标注质量。

在业界普遍渴求高质量数据集的当下,这一兼顾专业性和科学性的服饰类数据集的出现,对于AI跨界时尚行业的意义已不言而喻。

另悉,今年7月的FashionAI全球挑战赛决赛期间,全面升级的FashionAI智能体验店将会在香港展出。

阿里巴巴淘宝技术部负责人南天介绍,FashionAI是阿里巴巴人工智能领域创新品牌,也是阿里巴巴产学研一体化的重要成果之一。“人工智能和大数据必然为新零售未来的发展带来更多的探索空间,而这个过程也一定离不开社会的共同努力。我们希望能够结合阿里巴巴平台的技术以及丰富的数据资源,和专业院校、科研机构一起合作,共同推动AI在新零售商业领域更多的落地,让技术能够真正的去发挥商业价值。”

_

本次挑战赛基于天池数据众智平台,将历时6个月的时间,初赛复赛均为线上赛,决赛将以现场答辩的方式在香港举行,整个大赛奖金池超过百万,冠军团队将获得五十万奖金,而进入复赛TOP20的团队,都将有机会进入阿里校招绿色通道。目前,2018 FashionAI全球挑战赛官网已开始接受参赛队伍报名并提供数据集下载。

更多大赛信息可点击 2018 FashionAI全球挑战赛官网
或直接扫描下方二维码,进入大赛官网查询。
_

相关文章
|
26天前
|
机器学习/深度学习 人工智能 算法
Transformer打破三十年数学猜想!Meta研究者用AI给出反例,算法杀手攻克数学难题
《PatternBoost: Constructions in Mathematics with a Little Help from AI》提出了一种结合传统搜索算法和Transformer神经网络的PatternBoost算法,通过局部搜索和全局优化交替进行,成功应用于组合数学问题。该算法在图论中的Ramsey数研究中找到了更小的反例,推翻了一个30年的猜想,展示了AI在数学研究中的巨大潜力,但也面临可解释性和通用性的挑战。论文地址:https://arxiv.org/abs/2411.00566
75 13
|
2月前
|
机器学习/深度学习 人工智能 算法
Enhance-A-Video:上海 AI Lab 推出视频生成质量增强算法,显著提升 AI 视频生成的真实度和细节表现
Enhance-A-Video 是由上海人工智能实验室、新加坡国立大学和德克萨斯大学奥斯汀分校联合推出的视频生成质量增强算法,能够显著提升视频的对比度、清晰度和细节真实性。
113 8
Enhance-A-Video:上海 AI Lab 推出视频生成质量增强算法,显著提升 AI 视频生成的真实度和细节表现
|
1月前
|
机器学习/深度学习 存储 人工智能
淘天算法工程师玩转《黑神话》,多模态大模型如何成为天命AI
淘天集团未来生活实验室的算法工程师们以ARPG游戏《黑神话:悟空》为平台,探索多模态大模型(VLM)在仅需纯视觉输入和复杂动作输出场景中的能力边界。他们提出了一种名为VARP的新框架,该框架由动作规划系统和人类引导的轨迹系统组成,成功在90%的简单和中等难度战斗场景中取得胜利。研究展示了VLMs在传统上由强化学习主导的任务中的潜力,并提供了宝贵的人类操作数据集,为未来研究奠定了基础。
|
2月前
|
机器学习/深度学习 缓存 人工智能
【AI系统】QNNPack 算法
QNNPACK是Marat Dukhan开发的量化神经网络计算加速库,专为移动端优化,性能卓越。本文介绍QNNPACK的实现,包括间接卷积算法、内存重排和间接缓冲区等关键技术,有效解决了传统Im2Col+GEMM方法存在的空间消耗大、缓存效率低等问题,显著提升了量化神经网络的计算效率。
56 6
【AI系统】QNNPack 算法
|
2月前
|
存储 人工智能 缓存
【AI系统】Im2Col 算法
Caffe 作为早期的 AI 框架,采用 Im2Col 方法优化卷积计算。Im2Col 将卷积操作转换为矩阵乘法,通过将输入数据重排为连续内存中的矩阵,减少内存访问次数,提高计算效率。该方法首先将输入图像转换为矩阵,然后利用 GEMM 库加速计算,最后将结果转换回原格式。这种方式显著提升了卷积计算的速度,尤其适用于通道数较多的卷积层。
70 5
【AI系统】Im2Col 算法
|
2月前
|
存储 机器学习/深度学习 人工智能
【AI系统】Winograd 算法
本文详细介绍Winograd优化算法,该算法通过增加加法操作来减少乘法操作,从而加速卷积计算。文章首先回顾Im2Col技术和空间组合优化,然后深入讲解Winograd算法原理及其在一维和二维卷积中的应用,最后讨论算法的局限性和实现步骤。Winograd算法在特定卷积参数下表现优异,但其应用范围受限。
58 2
【AI系统】Winograd 算法
|
2月前
|
人工智能 算法
AI+脱口秀,笑点能靠算法创造吗
脱口秀是一种通过幽默诙谐的语言、夸张的表情与动作引发观众笑声的表演艺术。每位演员独具风格,内容涵盖个人情感、家庭琐事及社会热点。尽管我尝试用AI生成脱口秀段子,但AI缺乏真实的情感共鸣和即兴创作能力,生成的内容显得不够自然生动,难以触及人心深处的笑点。例如,AI生成的段子虽然流畅,却少了那份不期而遇的惊喜和激情,无法真正打动观众。 简介:脱口秀是通过幽默语言和夸张表演引发笑声的艺术形式,AI生成的段子虽流畅但缺乏情感共鸣和即兴创作力,难以达到真人表演的效果。
|
2月前
|
存储 人工智能 缓存
【AI系统】布局转换原理与算法
数据布局转换技术通过优化内存中数据的排布,提升程序执行效率,特别是对于缓存性能的影响显著。本文介绍了数据在内存中的排布方式,包括内存对齐、大小端存储等概念,并详细探讨了张量数据在内存中的排布,如行优先与列优先排布,以及在深度学习中常见的NCHW与NHWC两种数据布局方式。这些布局方式的选择直接影响到程序的性能,尤其是在GPU和CPU上的表现。此外,还讨论了连续与非连续张量的概念及其对性能的影响。
96 3
|
2月前
|
机器学习/深度学习 人工智能 算法
【AI系统】内存分配算法
本文探讨了AI编译器前端优化中的内存分配问题,涵盖模型与硬件内存的发展、内存划分及其优化算法。文章首先分析了神经网络模型对NPU内存需求的增长趋势,随后详细介绍了静态与动态内存的概念及其实现方式,最后重点讨论了几种节省内存的算法,如空间换内存、计算换内存、模型压缩和内存复用等,旨在提高内存使用效率,减少碎片化,提升模型训练和推理的性能。
110 1
|
2天前
|
算法 数据安全/隐私保护 计算机视觉
基于FPGA的图像双线性插值算法verilog实现,包括tb测试文件和MATLAB辅助验证
本项目展示了256×256图像通过双线性插值放大至512×512的效果,无水印展示。使用Matlab 2022a和Vivado 2019.2开发,提供完整代码及详细中文注释、操作视频。核心程序实现图像缩放,并在Matlab中验证效果。双线性插值算法通过FPGA高效实现图像缩放,确保质量。