機器學習進入「時尚圈」，利用社交媒體揭秘服飾變化規律

上傳到社交媒體上的數百萬張照片是我們研究人類自身的豐富資源，但是它們還未被充分利用。機器學習為充分利用這些資源提供了條件。

「試想一下，如果未來的人類學家能夠輕易地訪問來自各個時代、不同地域的照片，並且擁有分析這些照片的強大工具，那時我們可以解決什麼新問題？」這一疑問啟發了紐約康奈爾大學的Kevin Matzen、 Kavita Bala 和Noah Snavely。

他們的想法是：每天都有數百萬張的照片上傳到社交媒體上，這為了解世界各地的文化、社會、經濟因素打開了一扇大門。強大的機器智能可能會挖掘出這些數據（照片）背後的價值，以便於我們深入了解人類文明的發展。

演算法揭示了服裝款式隨時間如何變化

幸運的是，機器智能技術正在飛速發展。Matzen及其同事已經開始使用機器學習來研究發布在Instagram上的照片，他們利用了1億張照片。

他們想知道世界各地的服飾是如何變化的。服飾變化是一種文化現象，涉及的範圍廣、規模大，這為研究帶來了極大困難。

例如，他們的研究要解決這樣的問題：在美國，圍巾的使用頻率如何隨時間發生變化？特定區域或城市最鮮明的服飾是什麼？哪種服飾風格在全世界都很受歡迎？

為了找出這些問題的答案，Matzen及其同事將研究重心轉向了社交媒體Instagram，Instagram允許他們在某些特定的範圍（某地點方圓5千米內）、特定的日期（前後5天）下載Instagram的照片。

然後，該團隊將照片選取時間定為2013年6月至2016年6月，確定了44個要研究的城市，並從Instagram下載了1億張圖片。

他們使用了標準的人臉識別程序過濾掉所有不含人臉的照片，最後留下了1500萬張僅顯示上半身的圖片，這些圖片包括了拍攝的地點和時間。

接下來，他們訓練機器學習演算法來識別圖片中的各種類型的服裝和配件。例如，演算法學會了識別人們是否穿著夾克、戴著圍巾、領帶、眼鏡和帽子等。該演算法還能夠識別顏色、領口風格、袖長；T恤、連衣裙或背心等服裝類別；條紋、格子等服裝圖案。

最後，他們使用聚類演算法將數據集中的照片聚類成簇，然後利用演算法將具有相似視覺主題的圖像歸類，並追蹤了這些簇在不同時間、地點的變化趨勢。

結果很有趣。聚類演算法找到了約400種不同的視覺主題，如穿著白色T恤和戴著眼鏡的人，或穿著紅色的V領上衣或黑色連衣裙，或者不穿上衣的人！

然後，Matzen及其同事研究了這些視覺主題是如何隨著時間和地點的變化而變化的。例如，他們發現，某些顏色呈周期性的變化——黑色和棕色在冬天更常見，白色和藍色在夏天更常見。

其他顏色顯示了不同的特色。例如，紅色的流行性正在下降。儘管相比於黑色和白色，紅色的周期性需求更小，但是它也會時不時地受到歡迎。Matzen及其同事指出，在10月和12月底，紅色通常較流行。他們解釋道，這種現象可能與聖誕有關，在聖誕期間，紅色的聖誕老人帽、紅色的萬聖節服裝，以及紅帽子的需求都非常大。

他們還發現，在2014年6月～7月的足球世界盃期間，黃色T恤突然在哥倫比亞和巴西流行起來——這兩個國家的足球隊都穿著黃色T恤。

他們還注意到服飾隨地理位置的變化趨勢：北方的國家通常喜歡夾克，越往北這種趨勢越明顯，這種現象大概是由北方較冷的天氣所造成的。

在寒冷地區的國家，帽子也非常受歡迎。但奇怪的是，位於中東的阿曼卻是世界上喜歡戴帽子的國家之一。「另外，kuma 和 massar 在阿曼也很受歡迎，它們是阿曼男士民族服飾的重要元素」，Matzen及其同事說道。

某些服飾是某些地區特有的。例如，奈及利亞的頭戴領帶「蓋里（gele）」就是拉各斯（奈及利亞舊都）的獨特裝飾，而其他服飾，像藍色領襯衫、格子襯衫和黑色T恤隨處可見。

這些有趣的工作表明，機器學習在梳理我們的社會文化結構方面極具潛力。

當然，這種研究方法還有缺陷。例如，該演算法還不能區分具有不同作用的太陽鏡和驗光眼鏡；研究使用的圖像也不能代表整個社會，Instagram的用戶大多數是年輕人；研究中使用的圖片都是經過剪切的，只能看上半身。

確定人是站著的還是坐著的，或者他們在做什麼，這些任務都是機器視覺面臨的挑戰。但是，在未來的工作中要克服這些不足並非沒有可能。未來，將該數據集與其他多種數據集（如天氣、溫度數據集）聯合分析，也是可能的。

正如Matzen及其同事得出的結論：大數據、機器學習、計算機視覺和自動化的分析演算法會廣泛用於時尚界和其他領域，它們是非常強大的數據分析工具。很顯然，我們並不需要等待未來的人類學家來解決新問題。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！