陈于依澜 冯宝以 刘晓刚

摘要： 文章探索一种基于机器学习模型的服装品牌基因强度识别分析方法，通过利用品牌服装历史产品图像数据作为特征数据集，模仿人脑的学习认知过程，设计并训练基于机器学习算法的品牌分类模型，最终使机器学习模型能够“认知”到服装品牌的“基因片段”。以此模型的分析过程及特征提取结果来验证并分析“品牌基因”。采用机器学习的方法，利用品牌服装设计中的共性特征数据对品牌基因强度进行分析，可以避免主观评价的片面性和传统统计方法无法对非线性因素进行因果关联的缺点，通过大量的数据分析，实现对品牌基因的提取和應用。

关键词： 机器学习;品牌基因;特征提取;图像识别;深度神经网络;服装品牌

Abstract： The research work in this paper aims to explore a method to identify and analyze fashion brand gene intensity based on machine learning. Historical product image data of brand fashion were used as the characteristic dataset to imitate the learning cognitive processing of human brain. Besides， the brand classification model based on machine learning algorithm was designed and trained. Finally， the machine learning model could "recognize" the "gene fragment" of the fashion brand. The analysis process of this model and results of feature extraction were used to verify and analyze the "brand gene". Analyzing the intensity of brand gene by using machine learning method and the common characteristic data in brand fashion design could avoid the one-sidedness of subjective analysis and overcome the shortage of inability to connect the cause and effect for the nonlinear factors. With analysis of massive data， the goal of extracting the brand gene and applying it was achieved.

Key words： machine learning; brand gene; feature extraction; image recognition; deep neural network; fashion brand

品牌是起区别作用的一种识别标志，除了具有一定的经济价值外，也是精神象征和价值理念的体现。好的品牌，具有非常高的识别度，够使消费者明确地感知其鲜明独特的风格与个性，并与其产生共鸣，建立起高度的品牌忠诚。品牌的这种识别度，通常得益于设计师对品牌文化的继承和塑造，也因此使得品牌产品具备了一定的共有特征——品牌基因。

中国的服装品牌化经营起步与成熟较晚，在消费者已经对西方品牌习惯性认可的形势下，设计者在文化、商业和设计领域难以得到良好反馈，导致品牌设计风格模糊、难以形成鲜明的品牌辨识度，甚至给消费者缺乏独特品牌精神的印象。如何从成熟品牌中吸取经验，在品牌的发展中创造自身鲜明的品牌基因，是一个品牌在发展中需要关注的核心问题。

本文着眼于品牌基因的分析，提出利用机器学习算法中的卷积神经网络在图像识别中所表现出的强大的特征提取及分析能力，对服装信息的基础特征进行提取分析，从而得到具有共性的“品牌基因”。避免传统的品牌信息量化分析等人为因素起主导作用的方法的弊端。本文主要针对品牌服装探索具体方法，通过整理品牌服装图片集合，采用其训练可进行品牌识别的卷积神经网络模型，使其达到具有对所输入品牌的识别能力。而采用该模型最后卷积层的输出作为品牌基因，对其进行提取与分析，为品牌创新设计及品牌基因延续提供科学翔实的分析参考。同时，通过对分析过程的探索，为挖掘塑造服装企业品牌基因提供一套普适的方法，为新兴的服装企业制定合理的服装设计产品结构规划、确立相应产品的基因强度权重分布、在树立品牌个性和品牌文化方面起到积极有效的作用。

1 服装品牌基因

1.1 服装设计与品牌基因

品牌服装设计是指以品牌经营理念为指导思想，以设计出符合品牌运作要求为目的的服装产品开发活动，并将品牌文化和发展愿景化作符合多方利益诉求的产品。品牌服装设计是产生服装产品最主要的环节之一。一个品牌在不同时期发布的服装设计产品，即是品牌服装设计的物质载体，同时也凝结了品牌的精神内涵，体现了品牌文化，继承了品牌基因，代表了品牌形象[1]。品牌基因是产品信息与品牌文化的集合[2]，服装品牌基因最重要的物质载体是服装产品。

1.2 品牌基因识别的战略意义

对于服装产业，品牌基因是企业发展的宝贵财富，也是企业能够长期生存的根本。从品牌文化的角度来说，服装品牌基因通过服装设计产品表达出来，但又不完全依附于服装产品之中，而是拥有独立的文化内涵。这种内涵体现在商业上就是一种与消费者之间的心理共鸣，品牌的产品设计师们与善变的消费者之间的较量更多集中于对这种需求的把控。继承与创新一直是设计师需要平衡的关键因素，只有重视并认识到品牌基因是以何种方式存在于品牌之中，又是如何被消费者认知的，设计师才能保持品牌的活力和本质。

品牌基因是品牌成长壮大的裂变因子。品牌基因是品牌在长期的发展历程中沉淀出来的，是品牌存在和发展的根基。品牌基因是可以沿袭继承的，并会在反复的裂变创新中增加深度和广度，保持历史和创新的统一。可以说，品牌基因既是品牌存在的基础，也是品牌创新的基石。

品牌基因是组成品牌的核心价值观、品牌个性和品牌文化的关键因子。品牌的精神层面主要包含核心价值观、品牌个性、品牌文化，这些内容在长期的时间演变中去粗取精，最后形成可供辨别的品牌风格。品牌基因就是所有个体间所具有的通性特征。

品牌基因是获得消费者认同感及品牌辨识度的重要因子。品牌基因本身是带有强大的辨识功能的信息片段，它来自品牌的核心价值、核心理念，记录着品牌的关键信息，再扩散到品牌的每一个角落，使消费者能够及时地、简单地辨认出来，让品牌能够长久地停留在消费者的认知当中，进而培养出消费者的品牌识别能力，增加品牌价值认同感。

2 品牌基因分析难点及特征提取

服装品牌的品牌基因仍未被系统研究，在少数已有的研究中，大都直接采用专家判断的方式进行相关的定性分析。品牌基因是业内人士凭借专业知识对品牌服装设计产品进行描述性判断，并总结出一些可归纳的表现形式，容易出现标准不统一的情况。比如已有研究中在对迪奥进行品牌基因提取时，将其总结为5点：1）左右对称式上下套装;2）柔和的肩线;3）X廓形;4）强调腰线;5）上衣下摆打开并与裙身成一定比例关系[3]。

已有的统计学分析方法，只是非常粗略地划分了品牌基因影响因子，沒有进一步细化特征。如赵北辰[3]将服装品牌基因划分为显性基因和隐性基因，显性基因包括造型、色彩、面料、图案;隐性基因包括个性化、情感、创新、价值观等，而没有进行一定的量化，仅停留在框架阶段。在服装品牌的设计元素理论背景下，研究人员把品牌服装设计产品划分为基因元素大类，并需要根据每个品牌自身选择相应的类目，存在无法通用的问题，工作量比较繁重。比如已有的FTGE分析法[4]，将品牌基因分为6大类：1）产品风格基因;2）产品图案基因;3）产品款式基因;4）产品材料基因;5）产品色彩基因;6）产品工艺基因。在分析香奈儿的品牌基因的案例中，将大类分别细化为：典雅风格、舒适风格、对襟款式、四袋款式、无领款式、黑白颜色、山茶花图案、粗呢面料、镶边工艺，然后对每张图片进行相应的统计判断。

2.1 机器学习

“机器学习”是一个涵盖性术语，包括了大量类似的泛型算法。其主要内容表现为设计计算机可进行自主学习的算法。作为人工智能的一个分支，机器学习的研究是从以“推理”为重点到以“知识”为重点，再到以“学习”为重点的过程性科学。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法[5]。

2.2 机器学习与特征提取

特征提取是在相对较大型的数据集中发现模式的计算过程，特征提取过程的总体目标是从一个数据集中提取共性信息。从海量的服装品牌产品中寻找其特征的方法，通常需要复杂的特征提取过程;机器学习作为当前一个火爆的研究领域，其发展为复杂数据的解析提供了一系列的新算法。

机器学习算法中常用的有机器学习型算法和统计型算法两类。前者运用了人工智能技术，能在大量的样本集训练和学习后自动找出运算需要的参数和模式;后者则常用相关性分析、聚类分析、概率和判别分析等进行运算[6]。机器学习中人工神经网络方法被普遍运用，它具有极好的数据处理能力和学习能力，并能够准确进行识别，从而有助于分类问题中的特征提取与识别[7]。本文所设计方法也采用人工神经网络作为基础，探讨基于机器学习的服装品牌基因识别。

2.3 卷积神经网络

图像的视觉特征包括颜色及其分布、纹理及线条、形状及其空间布局、图层叠加效果等[8]。在传统的分类模式中，图像的视觉特征需要显式的表达和提取，但这是很难做的工作，因为人对图像的情感感知来自多方面的因素，一些是隐含的，难以表达和提取，而且人脑对图像的识别容易受到自身认知的干扰，从而对图像的识别失去了客观性。

卷积神经网络（convolutional neural networks，CNN）模仿视觉神经中的简单细胞和复杂细胞的视觉信息处理过程，将图像的视觉特征提取与人工神经网络的模糊分类结合起来，省略了前期复杂的图像处理与特征提取过程，利用卷积计算对图像的视觉特征进行自动提取，并利用局部感知区域、共享权重和空间池化等操作减少运算复杂度，最后利用回归函数或全连接神经网络进行特征分类，极大地提高了图像分类和模式识别的准确率与效率[9]。卷积神经网络中起主要作用的卷积层的数学描述如下：

式中：Z为所得输出数据，A为卷积层的输入数据，W为卷积层的权重数据，b为其偏置数据。

卷积神经网络作为具有图像信息抽取分析能力的算法模型，常用来对图像信息进行挖掘。深度卷积神经网络包含多个卷积层和池化层，前一层卷积对输入的二维输入特征数据进行处理，输出结果再送入后一层卷积层。卷积处理结果可以看作从输入图像中提取的某些特征图像，特征图像再逐层向下传递，每层卷积和池化都是对输入图像的特征提取，最后通过全连接层和输出层进行模糊分类或识别。卷积神经网络包含数量众多的网络参数，经过大数据训练样本的重复循环训练调整后，逐渐稳定下来，可以用于对任意输入图像的特征进行提取、分类或识别。由于卷积核心的学习能力，卷积神经网络天然具有不受图像翻转、旋转等操作影响的特性。

3 基于机器学习的服装品牌基因识别方法设计

基于机器学习的品牌基因强度分析通过建立大量数据构成的训练数据集，依靠机器学习模型在图片识别训练过程中不断地学习，最终使其能够对新的服装设计样本做出品牌分类。最后利用其在输入图片的信息处理过程中所得到的特征数据，作为品牌基因强度的分析方法，即采用卷积神经网络对输入的品牌产品图片所提取出的特征信息作为品牌基因的参考数据。此种方法的建立，需要对大量的品牌服装设计产品的数据信息进行收集整理，建立对应的品牌基因识别因素标签，通过专业的研究，分析得到适用于机器学习方法的服装品牌基因标签集所涵盖的范畴及量化标准。

服装品牌基因的识别首先要具有足够的数据样本供所设计算法学习，同时一个满足当前应用的具有学习能力的算法模型是其核心部分。利用品牌服装设计的历史产品所组建的数据集，对所建立的机器学习模型进行训练，模仿人脑学习的过程，使其能够认知到品牌的基因片段，并依托计算机优于人脑的数据处理能力，最终以此来分析新数据的品牌基因强度。本文采用方法如下：首先利用计算机根据图像表达的视觉特征对大量的图像数据进行识别，在识别的基础上按照特征属性分类。基本步骤是：先提取图像的视觉特征，然后利用训练样本训练品牌基因分类器，最后利用分类器对图像进行品牌基因强度测量和模式识别（类别判定）[10]。

3.1 服装品牌数据集建立

结合机器学习的特征，首先需要考虑服装具有特征性的表征信息分类标准。对于成熟的服装品牌而言，其品牌内通常会有严格的分类管理标准，即其品牌内容的管理方法。不同的品牌在品牌内部分类中会具有一定的差异，例如多数品牌首先按目标性别分类，即不同的产品线。其次再进行性别内容的分类，例如款式、材质、工艺等。但有些品牌会以风格为第一基准进行分类，这种情况下，在建立可以尽可能充分包含一个品牌内诸多设计信息的模型训练数据集时，就需要采用一种具有普适效应的分类管理办法，既可以囊括机器学习处理方法中所针对的数据，又可以对服装品牌特点进行详细准确的归纳，统一对诸多品牌内部分类的管理。从而组织一套内容分布均匀且具备有效数据的数据集，可以更好地对机器学习模型进行训练。

由于機器学习模型可以更加高效地建立起针对图形的边界、基础图像模块的成像风格、图像信息的重点部位等信息的敏感性，因此在服装品牌数据训练集的建立中应该重点关注这三个方面。同时，由于男装与女装之间的特征差异较为明显，因此将对服装的男女分类作为其首要分类方法。值得注意的是，此分类方法应用于本文的训练数据集的创建，仅为保证训练数据集中尽可能地包含品牌服装所具有的一切特征。而本文所设计模型，目标于对统一共性特征的学习，因此对于此处所采用的分类方法并不敏感，其结果也不受到此处分类顺序的影响。此处所用分类管理方法，仅为本文进行图片数据采集服务。参考前文中基于统计学的分析方法，本文所述研究在服装品牌训练数据的管理分类中采用如下类型：

第一类：性别分类，服装的性别特征是最直观明显的，所以将针对男、女、中性的服装作为第一种类别，在组成训练集中尽量满足平均分布，提高模型训练的成功率;

第二类：款式分类，由于服装款式在服装的品牌形象中占据比较主导的作用，因此将服装款式分类作为数据分类中的一个类别，在组成训练集中尽量包含具有品牌特征的款式;

第三类：图案分类，由于图案对服装品牌信息具有代表性，因此图案也作为一个分类标准，在组成训练集中尽量包含更多具有品牌特征的图案，提高训练的样本量;

第四类：材料分类，材料在服装品牌的识别中具有代表性，其偶尔但不总是起到主导作用，因此作为一种分类标准，在组成训练集中尽量包含具有品牌特征的材质;

第五类：颜色分类，根据以往统计学分类的结果可知，服装颜色不会对服装品牌识别起到主导性作用，本文中认为其具有一些辅助作用，因此作为一类数据进行管理，在组成训练集中尽量包含具有品牌常用的色彩。

上述分类是根据机器学习特性，结合服装产品特征所总结的，作为品牌训练数据集采集工作的指导，针对每一个品牌特征筛选出适合该品牌的数据集组成，并非五类需要同时满足分布要求。

3.2 神经网络模型设计

综合这些图像识别方法，本文根据所建立服装图像数据集的特点，采用了一种常用于图像数据分析的9层卷积神经网络Alexnet作为分类模型网络[11]，如图1所示。其中，1、3、5、6、7层为卷积层;2、4层为池化层;8、9为全连接层。

卷积神经网络中的卷积层包含多个神经元，每个神经元利用多个可训练的卷积核分别与输入图像进行卷积求和，加上偏置，经过激活函数后输出新值，构成新的特征图像。即：

式中：l代表网络中的层，其中W即为每层卷积核的权重数据;A为前一层的输出，即当前层的输入;Z为输出新值;b为当前层的偏置;g（）为当前层所采用的激活函数。

最终输出通过全连接层，转化为对各分析因素的强度值。

3.3 应用场景及模型训练

品牌基因识别系统能够在产品的设计开发过程中，评估设计的品牌基因强度，将数据如实反馈给设计师，品牌设计师可以更加客观地把控产品的品牌基因强度，为设计师在创新与继承之间的抉择提供一个客观数据支撑。服装品牌基因强度识别能够指导企业的产品企划，保证产品的品牌基因强度范围，合理规划产品结构，掌控时尚流行因子与品牌基因之间融合的平衡性，最终获得消费者精神层面的认同感和归属感。

本文采用所建立的三种服装品牌的同类衣服图片数据集，对上述模型进行训练。为了保证数据的均衡性，实验数据分别使用了Dior、Chanel、Valentino三个品牌，基于上述图片分类管理原则搜集每个品牌各500张图片，共计1 500张图片。其中10%的图片通过随机挑选作为训练后测试集，且不参与训练，其余90%作为训练数据。输入卷积层的图片大小统一经过图片处理软件Photoshop进行了自动背景消除，且在训练过程中采用输入图像的翻转作为输入数据增强手段，以消除背景图像影响。最终，通过迭代训练，达到在测试集上的测试品牌分辨精度达到94%以上。训练过程中，图片成组输入且顺序为随机，以此保证训练过程中学习到的信息的公平性。

3.4 结果采集与分析

品牌基因结果的采集上，虽然最终分类结果由以上定义的网络的最后一层（全连接层）输出，但本文采用最后一层卷积层输出图像特征作为“品牌基因”数据，其所输出6个特征结果如图2所示。其中，品牌A中所选择服装图片（左侧）经过分类网络，提取其最后一层卷积输出并进行可视化后（右侧），其相应位置特征表现出明显的相似性。

为达到量化对比特征相似度的目的，本文采用了误差的相似度衡量算法：输出特征矩阵相同位置的特征数值在10%误差范围内即算作相似，在此基础上再计算相似特征数值在总输出特征中的占比。经过特征相似性对比后，品牌A中两组输出特征的相似度为66.92%。而品牌A与品牌B（左侧）通过服装图片并不能很好地分辨品牌差异，但品牌A与B之间所得特征数据（右侧）可视化后表现出明显的差异。同样采用量化相似度分析后，品牌A与B之间输出特征相似度仅有52.98%。以上量化结果在相似性对比中具有显著差异。

由图2可见，通过随机选择品牌内服装图像作为输入，所采集到经准确分类后的“品牌基因”特征数据表现出明显的品牌内相似度极高及品牌间非常不同的特点。同时也证实，此方法在“品牌基因”提取上的有效性，即可以有效地根据输入图像，得到品牌的特征信息。

4 结 论

本文提出了基于机器学习的服装品牌基因强度识别方法，并针对机器学习的特性提出了数据集的管理分类标准、图像识别标准和数据采集要求，最终通过实验手段证明了品牌之间存在基因差异。在之后的研究中，可根据这个标准拓展图像识别的方法、建立相关的数据集资料，将数据放入机器学习模型中进行训练，最终可得到一个服装品牌基因强度识别模型。

这种摆脱了人脑主观因素干扰的图像信息识别数据，不仅能更加准确地为人们揭示品牌在自身的历史传承中其品牌基因强度的变化和继承情况，也能在品牌与品牌之间梳理出一个更加清晰和准确的品牌基因图谱。根据这份图谱，揭示产品之间的关联，把握服装产品设计的风格和特点，对继承与创新作出抉择。

参考文献：

[1]刘晓刚， 李峻， 曹霄洁. 品牌服装设计概论[M]. 上海： 东华大学出版社， 2011： 3.

LIU Xiaogang， LI Jun， CAO Xiaojie. Branded Fanshion Design[M]. Shanghai： Donghua University Press， 2011： 3.

[2]杨保军. 品牌进化的动力机制与模型分析[J]. 河南科技大学学报（社会科学版）， 2010， 28（4）： 74-77.

YANG Baojun. Brand evolutionary dynamic mechanism and model analysis[J]. Journal of Henan University of Science and Technology（Social Science）， 2010， 28（4）： 74-77.

[3]赵北辰. 探究女装品牌基因的显性特征和隐性要素[D]. 长沙： 湖南师范大学， 2018.

ZHAO Beichen. Exploring the Dominant and Recessive Elements of the Brand Gene of Womens Clothing[D]. Changsha： Hunan Normal University， 2018.

[4]李峻. 基于产品平台的品牌服装协同设计研究[D]. 上海： 东华大学， 2013.

LI Jun. Research of Branded Apparel Collaborative Design Based on Product Platform[D]. Shanghai： Donghua University， 2013.

[5]BISHOP C M. Paltern Recognition and Neural Networks[M]. Oxford： Oxford University Press， 1995.

[6]CHAKRABARTI S， ESTER M， FAYYAD U. Data mining curriculum： a proposal[J]. Intensive Working Group of ACM SIGKDD Curriculum Committee， 2006， 140： 1-10.

[7]陈小燕. 机器学习算法在数据挖掘中的应用[J]. 现代电子技术， 2015， 38（20）： 11-14.

CHEN Xiaoyan. Application of machine learning algorithm in data mining[J]. Modern Electronics Technique， 2015， 38（20）： 11-14.

[8]李海芳， 焦丽鹏， 贺静. 多特征综合的图像模糊情感注释方法研究[J]. 中国图象图形学报， 2009， 14（3）： 531-536.

LI Haifang， JIAO Lipeng， HE Jing. Affective annotation of images based on multi-feature[J]. Journal of Image and Graphics， 2009， 14（3）： 531-536.

[9]KRIZHEVSKY A， SUTSKEVER I， HINTON G E. Imagenet classification with deep convolutional neural networks[C]//Proceedings of Advances in Neural Information Processing Systems 25. USA： Nevada， 2012： 1097-1105.

[10]高彦宇， 王新平， 尹怡欣. 自然风景图像情感标识方法研究[J]. 小型微型计算机系统， 2011， 32（4）： 767-771.

GAO Yanyu， WANG Xinping， YIN Yixin. Research on affective annotation for natural scene images[J]. Journal of Chinese Computer Systems， 2011， 32（4）： 767-771.

[11]姜英， 王延江， 林青， 等. 基于卷積神经网络与Bayesian决策的图像识别与分类记忆建模[J]. 中国科学： 技术科学， 2017， 47（9）： 977-984.

JIANG Ying， WANG Yanjiang， LIN Qing， et al. A memory model for image recognition and classfication based on convolutional neural network and Bayesian decision[J]. Scientia Sinica Technologica， 2017， 47（9）： 977-984.