上衣種類的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列評價、門市、特惠價和推薦等優惠

基於YOLOv4時尚服裝偵測之研究

為了解決上衣種類的問題，作者林承緯 這樣論述：

物件偵測技術是當前電腦視覺領域中的重要技術之一，該技術的目的為在一張輸入影像中能夠偵測出全部的目標物件，並使用矩形的方框為各目標進行位置的標記以及給定一個該目標種類的分類信心度。在時尚服裝領域中，物件偵測技術具有許多相關的應用，例如時尚服裝辨識、時尚服裝偵測、時尚風格推薦、服裝相似度比對和服裝快速搜尋。近年來隨著時尚服裝產業和線上購物的商業價值逐漸擴大，透過系統自動化的進行時尚服裝偵測和分類，業者可以因此節省時間與人力的成本，更快速的進行商品的管理。但是因為時尚服裝影像會因為服裝種類和衣物材料的特徵而產生與實際情況有所差異的問題，導致時尚服裝的偵測任務具有一定的難度。因此在當前的研究中，如何

快速且準確的進行偵測成為了物件偵測技術應用於時尚服裝領域中最重要的目標。為了面對該挑戰，我們提出了一種基於YOLOv4物件偵測演算法的兩階段時尚服裝偵測模型命名為YOLOv4-TPD（YOLOv4 Two-Phase Detection）。YOLOv4-TPD模型目的是針對具有複雜背景的時尚服裝影像進行偵測任務。為了符合實際的狀況，我們將偵測的目標種類分為外套、上衣、褲子、裙子和包包五種常見的服裝類別。根據歸納式遷移學習的定義，其目的是在相同領域的情況下，將源領域的知識轉移到目標領域中，以提高目標領域任務的效果。故本研究透過歸納式遷移學習結合階層式的服裝分類方式進行兩階段的模型訓練，並搭配限制

對比度自適應直方圖均衡化（CLAHE）的影像處理方法進行影像強化來加強模型學習效果。由實驗結果得知，經由兩階段式的遷移學習以及CLAHE的影像強化方法進行優化後，所提出的模型在mAP優於原始的YOLOv4模型3.44%，並且在時尚服裝偵測任務中優於現有研究。本研究所提出的模型在未來也可以運用於許多潛在的延伸應用中，例如自動服裝標記系統、服裝樣式檢索和服裝相似性檢測等任務。