《Journal of Engineered Fibers and Fabrics》：LDSD: A lightweight detection model for fine-grained recognition of dress style
编辑推荐：
高效且准确的连衣裙风格细粒度识别是服装电子商务行业智能运营的关键技术基础。然而，现有识别模型在资源受限的边缘设备上常常难以兼顾检测精度与部署效率。为解决这一问题，研究人员提出了一种轻量级检测模型，即轻量级连衣裙风格检测（Lightweight Dress St
高效且准确的连衣裙风格细粒度识别是服装电子商务行业智能运营的关键技术基础。然而，现有识别模型在资源受限的边缘设备上常常难以兼顾检测精度与部署效率。为解决这一问题，研究人员提出了一种轻量级检测模型，即轻量级连衣裙风格检测（Lightweight Dress Style Detection，LDSD）。首先构建了一个覆盖整体廓形、腰线位置、裙长、领型、袖长和袖型六类核心设计属性的细粒度连衣裙数据集，共包含22个类别。基于YOLO11n框架，研究人员从特征提取、卷积算子、特征融合网络和检测头设计四个方面对模型进行了优化。具体而言，开发了C3k2-PC模块，在保留细粒度结构特征的同时减少通道冗余；提出了一种名为U_GSConv的超轻量卷积，通过自适应通道分割压缩空间计算开销；此外，开发了Lite-BiFPN非对称双向特征融合网络以增强多尺度特征表示，同时LSCD_DSConv检测头结合了深度可分离卷积与权重共享机制，以提高参数利用效率。实验结果表明，LDSD模型将参数量和浮点运算量（FLOPs）分别降至1.14 M和2.7 G，模型体积仅为2.5 MB，相较基线降低了51.9%；同时，LDSD在自建连衣裙数据集上达到了94.0%的mAP@50和115.22 FPS，展现出识别精度与推理效率的良好平衡。该方法为电子商务场景中的智能服装分拣、自动商品分类和个性化推荐系统提供了一种高效低成本的解决方案。
**研究背景与问题**
全球服装产业正处于数字化与智能化转型的关键阶段，电子商务深刻重塑了服装产品的消费与分销格局。女装作为线上服装市场中规模最大且持续增长的细分领域，其中连衣裙凭借丰富的款式与高度的场景适配性，成为电商智能运营的核心品类。然而，目前电商平台的产品分类仍以人工标注为主，存在成本高、效率低、标准不一致等问题。在技术层面，现有的主流目标检测模型虽然识别精度较高，但参数量大、计算复杂度高，难以部署在仓储分拣终端和移动设备等计算与存储资源受限的边缘设备上。同时，连衣裙由整体廓形、腰线位置、裙长、领型、袖长及袖型等多维结构元素组合而成，类别边界高度相似，细粒度识别挑战大。因此，如何在高识别精度的前提下实现模型轻量化，平衡精度与部署效率，成为亟待解决的问题。
**研究内容与意义**
针对上述问题，研究人员提出了一种名为轻量级连衣裙风格检测（Lightweight Dress Style Detection，LDSD）的模型。该模型以YOLO11n为基线框架，从特征提取、卷积算子、特征融合网络和检测头设计四个维度进行系统性轻量化优化，设计了C3k2-PC特征提取模块、U_GSConv超轻量卷积算子、Lite-BiFPN非对称双向特征融合网络以及LSCD_DSConv轻量共享检测头。实验结果表明，LDSD在自建数据集上取得了94.0%的mAP@50，同时参数量仅1.14 M、计算量2.7 G、模型大小2.5 MB，推理速度115.22 FPS，实现了精度与效率的良好平衡，为智能服装分拣、自动商品分类和个性化推荐提供了高效低成本的视觉识别基础。
**关键技术方法**
研究人员从FARFETCH在线购物平台收集并构建了包含13061张真实连衣裙图像、覆盖22个细粒度类别的数据集，按8:1:1划分为训练集（10447张）、验证集（1307张）和测试集（1307张）。在模型设计上，C3k2-PC模块引入部分卷积（Partial Convolution，PConv）降低通道冗余；U_GSConv算子通过动态通道分割压缩空间计算开销；Lite-BiFPN采用非对称双向拓扑强化多尺度特征融合；LSCD_DSConv检测头结合深度可分离卷积（Depthwise Separable Convolution，DSConv）与权重共享机制提高参数利用效率。
**主要实验结果**
**不同特征提取模块的对比实验**：在保持相同训练配置条件下，研究人员将C3k2-PC与原始C3k2及C3k2-DRB、C3k2-FMB、C3k2-Star等改进变体进行比较。结果表明，
