视频特征网络 (VFN)：为了更好的考虑视频的空间序列模式，进一步提高衣物检索的性能。基于 LSTM，我们提出了视频特征网络 (VFN)，如图 3 所示。其中实验验证明两层堆叠式 LSTM 结构能够在视频特征学习中得到最佳性能。

图 3 Asymnet 视频特征网络 (VFN)

相似性网络：明星同款匹配不同于近似衣物检索，精确匹配要求完全一致。在完全一致的 要求下，传统的通过相似性计算来进行检索的方法，不能满足明星同款精确匹配要求。已有的方法通常将精确匹配问题转换为一个二分类问题，但这种方式适应性差，只能利用单一时刻的视频帧。为了能够利用整个衣物运动轨迹，我们提出了如下的可变化的深度树形结构（Reconfigurable Deep Tree structure）将匹配问题转换为逻辑回归问题。匹配网络拟采用基于混合专家系统的逻辑回归网络。该结构可以认为是对现有 attention 模型的一种扩展，可以用来解决多模型融合问题。

图 4 Asymnet 相似性网络

整个模型的目标函数是综合考虑每一帧的匹配结果，得到基于整个衣物运动序列和电商衣物的相似性，整个系统可以建模为对如下目标公式进行求解：

类似于 attention 机制，我们提出如下后验概率模型，来对上式进行求解：

得到如下梯度并采用端到端方式进行网络学习。

试验结果：我们利用业务数据和最新的衣物检索方法进行了对比，试验结果如下表所示。相对于 alexnet，Asymnet 在前 20 的检索精确率指标上，其性能几乎提高了进一倍。相对于其他 2 种网络 CS 和 RC，我们发现 RC 的性能略优于 CS，因为 RC 具有较强的识别能力差异较小（采用多任务学习）。甚至在对于某些类别（无明显差别）RC 在精确率上甚至略好于 AsymNet，但是总的来说 AsymNet 比目前现有的方法拥有更好的性能。因为 Asymnet 可以处理现有的视频的时空动态变化，并结合自动视频帧的自动调节炉排判别信息的融合策略。