基于多层卷积神经网络的服装图像分类与检索

发布时间：2020-04-14 14:29

【摘要】：随着人工智能不断发展,电商平台的出现引起了人们互联网在线购买服装的热潮,为了更好的满足消费者的需求,电商平台在不断增加服装种类同时需要完善服装的分类信息。服装在线交易量与日俱增,服装的分类精准不仅有利于快速搜索到目标服装,而且可以在较相似的服装款式中比较其他因素找到性价比最好的,所以对于网上海量的服装数据集研究一种快速分类且准确率高的方法非常重要。传统的方法对海量服装图片分类需先进行人工标注,然后根据图片的标签进行语义分类,这种方法消耗人力多且时间长,效率较低。随着深度学习技术出现,神经网络机器自主学习对图像分类的效率有了很大提升。本课题基于多层卷积神经网络(Convolutional Neural Network,CNN)对服装图像进行分类和检索做了如下工作:(1)采用通用爬虫方法爬取电商APP中的服装图片和视频数据集,对男装和女装主要的衣服类别选择有代表性的分类。图片分类利用深度学习框架Caffe及常用网络模型AlexNet、VGG-16、GoogleNet三种,调整损失函数及其他各个参数看其最大分类准确率。(2)本设计首次提出对服装视频进行分类,比较不同抽帧方式对分类结果的影响,对服装图像分类有很重要的研究意义。(3)本课题设计搭建一个网页检索系统,建立以图搜图检索界面,利用Js语言和Html框架编写前端网页,后端网页的框架是Flask,利用CNN层中倒数第二层全连接层作为图片的特征向量来建立特征库。采用余弦距离算法计算输入图片向量与特征库数据集中向量的距离,距离越小则图片相似度越高,检索结果返回前20个相似度较高的图片。
【图文】：

条形图,商品,中国服装,服装行业

内蒙古大学硕士学位论文第一章绪论1.1 课题研究背景及意义中国电子商务研究中心发布报告中[1]，可以看出网购市场正在扩大商品类长的消费者需求，其中服装行业商品一直保持领先地位，服装业成为了我抹亮色。通过交易数据显示出我国的服装市场增速有下降趋势，而从整体形势。随着生活水平的提高，，我国服装品牌的规模及数量在不断增加，现设的新时期。如图 1.1 所示的条形图和折线趋势中可以看出服装行业近几

矩阵图,矩阵,测试对象

研究人员在 20 世纪 50 年代初步研究神经网络核心思想，但这种方法在多年后才被使用一段时间，没有有效的方法来训练数据量较大的神经网络，在 20 世纪 80 年代中期，研进行研究并实现了反向传播算法。贝尔实验室于 1989 年首次成功实现了神经网络的实际，当时 Yann LeCun 将 CNN 的早期思想与反向传播算法结合起来，并将其应用于手写数类问题，将该网络命名为 LeNet 网络，该网络在 20 世纪 90 年代被美国邮政局采用，用动读取信封上的邮政编码[23]。下面介绍两种传统神经网络分类方法。 KNN 近邻算法最初的算法分类器是将训练所得到对应类别都记下来，当输入一个测试对象时如果与训的某一属性相匹配时，则可对该对象分类。每一个测试对象不仅仅只和一个训练类别对配，有时测试对象可能和多个训练对象匹配，由于这种多分类的问题，研究产生 KN算法。
【学位授予单位】：内蒙古大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TP183;TS941.2

【相似文献】