摘要

我们提出了一种以数据为中心的管道，能够为新时尚产品性能预测（NFPPF）问题生成外源观察数据，即在没有过去观测数据的情况下预测全新服装样本的性能。该管道从单个可用的服装样本图像出发，通过扩展与图像相关的文本标签，查询在过去特定时间上传到网络上的相关时尚或非时尚图像。利用自信学习方法对这些网络图像进行稳健训练，构建了一个二分类器，用于学习过去的流行趋势以及样本图像与这些流行趋势的符合程度。这种符合度生成了潜在性能（POP）时间序列，表明如果该样本早些时候就已存在，其可能的表现如何。POP 对样本未来的性能具有很高的预测能力，在最近的 VISUELLE 快时尚数据集上改进了所有最先进模型的销售预测。我们还展示了 POP 在 Fashion Forward 基准测试中反映了新款式（服装组合）的真实受欢迎程度，证明我们的基于网络的学习信号是受欢迎程度的真实表达，并且任何人都可以访问并适用于任何时间点的分析。预测代码、数据和 POP 时间序列可在以下链接获取：https://github.com/HumaticsLAB/POP-Mining-POtential-Performance