基于迁移学习的服装图像分类模型研究

发布时间：2021-10-21 09:38

　　传统的服装分类方法主要是提取图像的颜色、纹理、边缘等特征,过程繁琐且分类精度较低。为了提高服装图像的分类性能和时效性,提出一种基于迁移学习的卷积神经网络服装图像分类方法。将训练好的模型在服装图像数据集上进行迁移训练,保留预训练模型所有卷积层的参数,冻结前层网络参数并精调网络模型,使其能适应服装图像的识别。选取VGG16等六种模型并以DeepFashion为实验数据集进行实验,结果表明,迁移学习后,模型分类精度和时效性得到有效提高。 

【文章来源】：计算机应用与软件. 2020,37(09)北大核心

【文章页数】：6 页

【文章目录】：
0 引 言
1 迁移学习的网络结构训练
    1.1 迁移学习
    1.2 网络训练方法
2 数据集介绍
3 实 验
    3.1 实验环境
    3.2 实验设置
    3.3 实验结果与分析
4 结 语


【参考文献】：
期刊论文
[1]基于改进的残差神经网络的服装标签属性识别[J]. 张萌岩,何儒汉,詹伟,李敏,陈佳.  计算机与数字工程. 2019(04)
[2]基于RPN与B- CNN的细粒度图像分类算法研究[J]. 赵浩如,张永,刘国柱.  计算机应用与软件. 2019(03)



本文编号：3448723