乾明 发自 凹非寺
量子位 报道 | 公众号 QbitAI
阿里用AI打假，又有新研究成果问世。
这次，他们把目光集中在了服装盗版上，而且把难度值拉到最大：盗版者抄袭过程中，修改了领子、袖子等细节，比如淘宝上的各类“明星同款”，一样能够快速锁定。
背后的思路是：基于服装区域性表达的检索模型，对图像中的服装进行区域化的相似性学习和度量。
该研究成果已被CVPR 2020 收录，并被选为Oral论文。
阿里安全图灵实验室表示，该工作将用到阿里原创保护平台，在淘宝、天猫等阿里系电商平台上线，提供侵权检测能力。
精细化抄袭魔高一尺，打假道怎么高一丈？
就服装领域而言，虽然打假一直不断，但盗版抄袭问题依旧普遍存在。而且从线上到线下，抄袭手段越来越刁钻，打假难度逐年提高。目前来看，服装领域的抄袭只有有三类。
第一类集中在图片盗用上。盗版者通常未经授权，拿正版品牌的商品图使用或修改使用，比如在图上添加自己店铺的水印，或进行一些图像处理（反转、缩放、拼接等）。
这一类侵权抄袭成本很低，但很容易被平台的图片检索系统锁定，然后快速“治理”。
第二类是创意盗用，不良商家直接抄袭原创商家的整体商品设计和创意，制作同款或者仿款。
这类侵权的成本稍高一些，但基于商品整体相似度度量的同款检索算法，可以对它们进行召回和治理。
第三类是盗用是对服装的某些局部区域进行修改，像是洗稿，比如改变领口的设计款式、或者胸前印花的布局，甚至改变服装的款型等。
但如下图所示，仍然是抄袭正版品牌服装的风格和设计元素（左侧为正版，右侧为盗版），甚至还当做“明星同款”来卖。
这类盗版的成本最高，并不易被传统的基于商品同款检索的算法锁定。通常情况下，电商平台只能通过人工审核来发现，打假成本很高。
那有没有一种方法，能够让系统自动锁定此类抄袭现象？这就是阿里安全图灵实验室最新研究的方向。
此前，他们基于属性感知细粒度相似度学习方法，提出服饰版权算法来锁定局部抄袭，被AAAI2020收录。
现在他们又提出了一个新思路，基于服装区域性表达的检索模型，对图像中的服装进行区域化的相似性学习和度量，从而实现更有效打假。
精确到袖子、领子的 “盗版服装图像”检索算法
“盗版服装”的定义，是整体上抄袭原版服装设计和风格，并在一两个区域进行修改，以逃避现有同款服装检索模型筛查的服装样本。
阿里的研究人员将图像中的服装分为五个区域，包括领子、胸部、腰部和两个袖子区域，并在四类服装（短袖T恤、长袖上衣、外套、连衣裙）上实验，各服装区域划分如下图所示：
在算法设计上，他们提出了一种服装关键点引导的区域注意力机制。
首先利用服装关键点估计分支来预测服装的关键点，即分布在服装图像各个关键位置的点位，如领口、袖口、肩部、腋下等。
每类服装的关键点数量和分布有一定差异，点数在每件25-40个左右。根据这些关键点，算法可对服装图片进行多个区域的划分，如领子、袖子、胸部、腰部区域等。
区域划分信息通过基于ROI Pooling思想的方式引入，一体化的服装图像特征被解耦为多个区域化的特征表达，以独立地进行特征相似度的学习和度量。
同时，服装关键点结合区域化的表达可作为一种注意力机制，引入到图像检索网络上，关键部位的特征权重被提升，非关键部位的权重被削减，以提升模型对关键部位的判别力。
服装关键点估计分支和图像检索分支使用相同的HR-Net主干网络，其多级并联结构在获取多尺度特征的同时保持了高分辨率。
在损失函数的选择上，关键点估计分支采用了均方差损失函数，检索分支采用了区域化设计的Triplet损失函数。而损失函数的数值不再是整个图片范围的特征triplet差值，而是各个区域特征差值的累加结果。
文中方法的框架如下图所示，网络可分为服装关键点估计分支和服装检索分支，其中检索网络包含同款服装检索和盗版服装检索两种输出形式：
通过对平台侵权服装样本的分析，阿里研究人员发现，不同类别服装易被盗版的区域是不一样的，因此只将服装图像特征的相似度度量过程解耦是不够的，还需要为每类服装的多个区域设定差异化的权值，进行加权的区域相似性计算，以召回更多的盗版服装样本。
为此，他们基于平台盗版服装数据，建立了一个名为“Fashion Plagiarism Dataset”的数据集，该数据集中，每组“原版服装”的query图像对应gallery中多个“盗版服装”图像，数据覆盖短袖T恤、长袖上衣、外套、连衣裙四类样本。
他们在该数据集上，对在Deepfashion2数据集上预训练过的检索网络进行Fine Tune训练，用Coordinate Ascent算法对不同服装类别的各区域权值进行迭代优化，以降低损失函数数值。
“盗版服装”检索训练过程的损失函数，同样基于Triplet损失函数设计。最终，训练后的盗版检索网络可以基于上图中的Input服装图像召回Output中绿框内的盗版服装样本。
打假效果怎么样？不输、甚至超越此前SOTA
在论文的实验部分，阿里研究人员首先在“Fashion Plagiarism Dataset”上对算法的“盗版服装图像”检索能力进行了评估。
除了论文所提出的方法外，他们还设定了两种方法进行对比：一种是传统检索方法，使用相同的backbone网络和Triplet的损失函数，但是不包含区域化特征学习和表达机制；另一种是包含区域化特征表达机制，但是使用非Fine Tune训练得到的区域权重，评价指标为mAP。
从表中结果可以看出，论文所用方法在各个服装类别都取得了最佳效果。
除上述“盗版服装检索”的评价实验外，他们还在Deepfashion系列数据集上进行了服装关键点估计，和同款服装图像检索任务的实验。
在服装关键点估计部分，阿里研究人员在目前复杂度最高的Deepfashion2数据集上进行了评测，与现有Match-RCNN, CPN, Simple-Baseline等方法相比，服装关键点估计模型在各个子集上都取得了最高的mAP结果：
在同款服装检索实验中，他们选用了FashionNet, Match-RCNN, PCB等方法作为对比，在Deepfashion和Deepfashion2上分别进行了实验。
其中，Deepfashion主要针对In-shop检索场景，Deepfashion2则针对于Consumer-to-shop场景。评价指标分别为Top-N recall和Top-N accuracy。
结果如下图所示，阿里的方法在Deepfashion数据集上取得了与SOTA方法相近的效果，在Deepfashion2数据集上的结果要明显优于现有baseline方法。
来自阿里安全图灵实验室
一共有5名研究人员参与了这项研究，分别来自阿里巴巴、浙江工商大学和 阿里巴巴-浙江大学前沿技术联合研究中心。
文章第一作者Yining Lang、第二作者Yuan He、第三作者Fan Yang来自阿里安全图灵实验室。阿里安全图灵实验室负责人薛晖，是文章的通讯作者。浙江工商大学Jianfeng Dong也是论文作者之一。
阿里安全图灵实验室正式成立于2016年，前身是阿里安全基础算法团队，主要从事安全与风险方面的AI系统研发，核心技术包括计算机视觉、自然语言处理、生物特征识别、图计算以及异常检测和分析等，截止到2018年，已申请50多项专利。
目前，他们还在大举招兵买马，包括研究型实习生和正式研究者，如果你有兴趣，可以关注下~
北京时间3月21日早10:30，线上首次云试乘无人车！急寻众多监工们，跟随轻舟智航L4级无人车应对硅谷晚高峰。此外更有两位轻舟智航顶级技术专家、前Waymo核心工程师拆解其创新技术路径以及大规模智能仿真系统的具体应用。
