阿里用AI打假，又有新研究成果問世。

　　這次，他們把目光集中在了服裝盜版上，而且把難度值拉到最大：盜版者抄襲過程中，修改了領(lǐng)子、袖子等細(xì)節(jié)，比如淘寶上的各類“明星同款”，一樣能夠快速鎖定。

    背后的思路是：基于服裝區(qū)域性表達(dá)的檢索模型，對(duì)圖像中的服裝進(jìn)行區(qū)域化的相似性學(xué)習(xí)和度量。該研究成果已被CVPR 2020 收錄，并被選為Oral論文。

    阿里安全圖靈實(shí)驗(yàn)室表示，該工作將用到阿里原創(chuàng)保護(hù)平臺(tái)，在淘寶、天貓等阿里系電商平臺(tái)上線，提供侵權(quán)檢測(cè)能力。

　　精細(xì)化抄襲魔高一尺，打假道怎么高一丈?

　　就服裝領(lǐng)域而言，雖然打假一直不斷，但盜版抄襲問題依舊普遍存在。而且從線上到線下，抄襲手段越來(lái)越刁鉆，打假難度逐年提高。目前來(lái)看，服裝領(lǐng)域的抄襲只有有三類。

第一類集中在圖片盜用上。盜版者通常未經(jīng)授權(quán)，拿正版品牌的商品圖使用或修改使用，比如在圖上添加自己店鋪的水印，或進(jìn)行一些圖像處理(反轉(zhuǎn)、縮放、拼接等)。這一類侵權(quán)抄襲成本很低，但很容易被平臺(tái)的圖片檢索系統(tǒng)鎖定，然后快速“治理”。

第二類是創(chuàng)意盜用，不良商家直接抄襲原創(chuàng)商家的整體商品設(shè)計(jì)和創(chuàng)意，制作同款或者仿款。這類侵權(quán)的成本稍高一些，但基于商品整體相似度度量的同款檢索算法，可以對(duì)它們進(jìn)行召回和治理。

第三類盜用是對(duì)服裝的某些局部區(qū)域進(jìn)行修改，像是洗稿，比如改變領(lǐng)口的設(shè)計(jì)款式、或者胸前印花的布局，甚至改變服裝的款型等。但如下圖所示，仍然是抄襲正版品牌服裝的風(fēng)格和設(shè)計(jì)元素(左側(cè)為正版，右側(cè)為盜版)，甚至還當(dāng)做“明星同款”來(lái)賣。

　　這類盜版的成本最高，并不易被傳統(tǒng)的基于商品同款檢索的算法鎖定。通常情況下，電商平臺(tái)只能通過人工審核來(lái)發(fā)現(xiàn)，打假成本很高。

　　那有沒有一種方法，能夠讓系統(tǒng)自動(dòng)鎖定此類抄襲現(xiàn)象?這就是阿里安全圖靈實(shí)驗(yàn)室最新研究的方向。

此前，他們基于屬性感知細(xì)粒度相似度學(xué)習(xí)方法，提出服飾版權(quán)算法來(lái)鎖定局部抄襲，被AAAI2020收錄。

現(xiàn)在他們又提出了一個(gè)新思路，基于服裝區(qū)域性表達(dá)的檢索模型，對(duì)圖像中的服裝進(jìn)行區(qū)域化的相似性學(xué)習(xí)和度量，從而實(shí)現(xiàn)更有效打假。

　　精確到袖子、領(lǐng)子的 “盜版服裝圖像”檢索算法

　　“盜版服裝”的定義，是整體上抄襲原版服裝設(shè)計(jì)和風(fēng)格，并在一兩個(gè)區(qū)域進(jìn)行修改，以逃避現(xiàn)有同款服裝檢索模型篩查的服裝樣本。

　　阿里的研究人員將圖像中的服裝分為五個(gè)區(qū)域，包括領(lǐng)子、胸部、腰部和兩個(gè)袖子區(qū)域，并在四類服裝(短袖T恤、長(zhǎng)袖上衣、外套、連衣裙)上實(shí)驗(yàn)，各服裝區(qū)域劃分如下圖所示：

　　在算法設(shè)計(jì)上，他們提出了一種服裝關(guān)鍵點(diǎn)引導(dǎo)的區(qū)域注意力機(jī)制。

　　首先利用服裝關(guān)鍵點(diǎn)估計(jì)分支來(lái)預(yù)測(cè)服裝的關(guān)鍵點(diǎn)，即分布在服裝圖像各個(gè)關(guān)鍵位置的點(diǎn)位，如領(lǐng)口、袖口、肩部、腋下等。

每類服裝的關(guān)鍵點(diǎn)數(shù)量和分布有一定差異，點(diǎn)數(shù)在每件25-40個(gè)左右。根據(jù)這些關(guān)鍵點(diǎn)，算法可對(duì)服裝圖片進(jìn)行多個(gè)區(qū)域的劃分，如領(lǐng)子、袖子、胸部、腰部區(qū)域等。

區(qū)域劃分信息通過基于ROI Pooling思想的方式引入，一體化的服裝圖像特征被解耦為多個(gè)區(qū)域化的特征表達(dá)，以獨(dú)立地進(jìn)行特征相似度的學(xué)習(xí)和度量。

同時(shí)，服裝關(guān)鍵點(diǎn)結(jié)合區(qū)域化的表達(dá)可作為一種注意力機(jī)制，引入到圖像檢索網(wǎng)絡(luò)上，關(guān)鍵部位的特征權(quán)重被提升，非關(guān)鍵部位的權(quán)重被削減，以提升模型對(duì)關(guān)鍵部位的判別力。

服裝關(guān)鍵點(diǎn)估計(jì)分支和圖像檢索分支使用相同的HR-Net主干網(wǎng)絡(luò)，其多級(jí)并聯(lián)結(jié)構(gòu)在獲取多尺度特征的同時(shí)保持了高分辨率。

在損失函數(shù)的選擇上，關(guān)鍵點(diǎn)估計(jì)分支采用了均方差損失函數(shù)，檢索分支采用了區(qū)域化設(shè)計(jì)的Triplet損失函數(shù)。而損失函數(shù)的數(shù)值不再是整個(gè)圖片范圍的特征triplet差值，而是各個(gè)區(qū)域特征差值的累加結(jié)果。

文中方法的框架如下圖所示，網(wǎng)絡(luò)可分為服裝關(guān)鍵點(diǎn)估計(jì)分支和服裝檢索分支，其中檢索網(wǎng)絡(luò)包含同款服裝檢索和盜版服裝檢索兩種輸出形式：

　　通過對(duì)平臺(tái)侵權(quán)服裝樣本的分析，阿里研究人員發(fā)現(xiàn)，不同類別服裝易被盜版的區(qū)域是不一樣的，因此只將服裝圖像特征的相似度度量過程解耦是不夠的，還需要為每類服裝的多個(gè)區(qū)域設(shè)定差異化的權(quán)值，進(jìn)行加權(quán)的區(qū)域相似性計(jì)算，以召回更多的盜版服裝樣本。

　　為此，他們基于平臺(tái)盜版服裝數(shù)據(jù)，建立了一個(gè)名為“Fashion Plagiarism Dataset”的數(shù)據(jù)集，該數(shù)據(jù)集中，每組“原版服裝”的query圖像對(duì)應(yīng)gallery中多個(gè)“盜版服裝”圖像，數(shù)據(jù)覆蓋短袖T恤、長(zhǎng)袖上衣、外套、連衣裙四類樣本。

他們?cè)谠摂?shù)據(jù)集上，對(duì)在Deepfashion2數(shù)據(jù)集上預(yù)訓(xùn)練過的檢索網(wǎng)絡(luò)進(jìn)行Fine Tune訓(xùn)練，用Coordinate Ascent算法對(duì)不同服裝類別的各區(qū)域權(quán)值進(jìn)行迭代優(yōu)化，以降低損失函數(shù)數(shù)值。

“盜版服裝”檢索訓(xùn)練過程的損失函數(shù)，同樣基于Triplet損失函數(shù)設(shè)計(jì)。最終，訓(xùn)練后的盜版檢索網(wǎng)絡(luò)可以基于上圖中的Input服裝圖像召回Output中綠框內(nèi)的盜版服裝樣本。

　　打假效果怎么樣?不輸、甚至超越此前SOTA

?

　　在論文的實(shí)驗(yàn)部分，阿里研究人員首先在“Fashion Plagiarism Dataset”上對(duì)算法的“盜版服裝圖像”檢索能力進(jìn)行了評(píng)估。

除了論文所提出的方法外，他們還設(shè)定了兩種方法進(jìn)行對(duì)比：一種是傳統(tǒng)檢索方法，使用相同的backbone網(wǎng)絡(luò)和Triplet的損失函數(shù)，但是不包含區(qū)域化特征學(xué)習(xí)和表達(dá)機(jī)制;另一種是包含區(qū)域化特征表達(dá)機(jī)制，但是使用非Fine Tune訓(xùn)練得到的區(qū)域權(quán)重，評(píng)價(jià)指標(biāo)為mAP。

　　從表中結(jié)果可以看出，論文所用方法在各個(gè)服裝類別都取得了最佳效果。

　　除上述“盜版服裝檢索”的評(píng)價(jià)實(shí)驗(yàn)外，他們還在Deepfashion系列數(shù)據(jù)集上進(jìn)行了服裝關(guān)鍵點(diǎn)估計(jì)，和同款服裝圖像檢索任務(wù)的實(shí)驗(yàn)。

　　在服裝關(guān)鍵點(diǎn)估計(jì)部分，阿里研究人員在目前復(fù)雜度最高的Deepfashion2數(shù)據(jù)集上進(jìn)行了評(píng)測(cè)，與現(xiàn)有Match-RCNN, CPN, Simple-Baseline等方法相比，服裝關(guān)鍵點(diǎn)估計(jì)模型在各個(gè)子集上都取得了最高的mAP結(jié)果：

　　在同款服裝檢索實(shí)驗(yàn)中，他們選用了FashionNet, Match-RCNN, PCB等方法作為對(duì)比，在Deepfashion和Deepfashion2上分別進(jìn)行了實(shí)驗(yàn)。

　　其中，Deepfashion主要針對(duì)In-shop檢索場(chǎng)景，Deepfashion2則針對(duì)于Consumer-to-shop場(chǎng)景。評(píng)價(jià)指標(biāo)分別為Top-N recall和Top-N accuracy。

結(jié)果如下圖所示，阿里的方法在Deepfashion數(shù)據(jù)集上取得了與SOTA方法相近的效果，在Deepfashion2數(shù)據(jù)集上的結(jié)果要明顯優(yōu)于現(xiàn)有baseline方法。

　　來(lái)自阿里安全圖靈實(shí)驗(yàn)室

　　一共有5名研究人員參與了這項(xiàng)研究，分別來(lái)自阿里巴巴、浙江工商大學(xué)和阿里巴巴-浙江大學(xué)前沿技術(shù)聯(lián)合研究中心。

　　文章第一作者Yining Lang、第二作者Yuan He、第三作者Fan Yang來(lái)自阿里安全圖靈實(shí)驗(yàn)室。阿里安全圖靈實(shí)驗(yàn)室負(fù)責(zé)人薛暉，是文章的通訊作者。浙江工商大學(xué)Jianfeng Dong也是論文作者之一。

阿里安全圖靈實(shí)驗(yàn)室正式成立于2016年，前身是阿里安全基礎(chǔ)算法團(tuán)隊(duì)，主要從事安全與風(fēng)險(xiǎn)方面的AI系統(tǒng)研發(fā)，核心技術(shù)包括計(jì)算機(jī)視覺、自然語(yǔ)言處理、生物特征識(shí)別、圖計(jì)算以及異常檢測(cè)和分析等，截止到2018年，已申請(qǐng)50多項(xiàng)專利。

目前，他們還在大舉招兵買馬，包括研究型實(shí)習(xí)生和正式研究者，如果你有興趣，可以關(guān)注下