發(fā)布時(shí)間：2021-11-12 11:09

　　近年來互聯(lián)網(wǎng)和電子商務(wù)得到了高速的發(fā)展,人們的購物方式逐漸從線下實(shí)體店轉(zhuǎn)移到了線上網(wǎng)店,成為了主流的購物方式。其中,電子服裝行業(yè)的線上交易量呈逐年增長趨勢(shì),為了滿足消費(fèi)者對(duì)服裝的需求,電商平臺(tái)需要不斷增加的服裝種類和數(shù)量,這將導(dǎo)致檢索引擎準(zhǔn)確地檢索服裝商品的難度越來越大。目前服裝圖像檢索方法主要分為兩種:基于文本的方法和基于圖像內(nèi)容的方法�；谖谋痉椒ǖ娜秉c(diǎn):消費(fèi)者與服裝商家之間的文字描述可能不一致,存在個(gè)體理解上的差異,而且文字信息難以詳盡的描述服裝圖像的內(nèi)容�；趫D像內(nèi)容方法的缺點(diǎn):傳統(tǒng)圖像內(nèi)容的服裝圖像檢索方法過分依賴對(duì)圖像特征的取舍,需要研究人員有豐富的行業(yè)經(jīng)驗(yàn)。因此,探索研究一種有效的服裝圖像檢索方法具有實(shí)際意義,鑒于近年來深度學(xué)習(xí)在圖像領(lǐng)域取得的突出成績(jī),本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的服裝圖像檢索方法。本文經(jīng)過調(diào)研總結(jié)當(dāng)前服裝圖像檢索研究現(xiàn)狀的前提之下。首先針對(duì)服裝圖像深度卷積特征信息豐富度低導(dǎo)致檢索效果差的問題,提出一種多尺度SE-Xception的網(wǎng)絡(luò)模型,實(shí)驗(yàn)結(jié)果顯示該模型在服裝圖像分類和檢索任務(wù)中的效果均優(yōu)于常用的CNN模型。本文檢索主體框架借鑒了深度二進(jìn)制哈�？�... 

【文章來源】：浙江理工大學(xué)浙江省

【文章頁數(shù)】：63 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖２．〗服裝圖像檢索基本過程??

浙江理工大學(xué)碩士學(xué)位論文?基于卷積神經(jīng)網(wǎng)絡(luò)的服裝圖像檢索技術(shù)研究??要求高的圖像檢索任務(wù)中，同時(shí)，如果圖像不清晰或邊緣光滑會(huì)導(dǎo)致難以檢測(cè)出關(guān)鍵點(diǎn)，??從而影響相似度的匹配，導(dǎo)致檢索效果低下。??（３）?ＨＯＧ特征??ＨＯＧ特征是常見的局部不變特征描述子，能夠用于檢測(cè)物體的輪廓，對(duì)光線變化具有??較強(qiáng)魯棒性，但不具備旋轉(zhuǎn)、尺度不變性。ＨＯＧ特征通過計(jì)算圖像中成塊像素梯度方向直??方圖提取特征，可以較好地描述物體外形，找出物體在圖像中的位置，該特征適用范圍偏??向于形狀方向的圖像分類和檢索任務(wù)，對(duì)于有層次感、存在遮擋、噪聲多的場(chǎng)景表現(xiàn)可能??不理想，例如識(shí)別雜物間中的服裝。??具體實(shí)現(xiàn)過程是：首先將圖像切分成多個(gè)局部區(qū)域，這種局部區(qū)域也常常稱為細(xì)胞單??元，然后統(tǒng)計(jì)算每個(gè)細(xì)胞單元中像素點(diǎn)的梯度方向直方圖，最后將所有細(xì)胞單元的直方圖??組成為一個(gè)特征描述。細(xì)胞單元的ＨＯＧ梯度方向計(jì)算圖解如２．２所示。??１?…：：：：．：??ｆＬ＾ｒ＼?！?＇：??．．．．＼?Ｌ?．??ｎ?二二；??ｉｒｉＷＭＷＭｉ?＇１１ＨＩＴ．ＺＺ２??Ｇｒａｄｔｍｎｌ?Ｄｉｍｄｔｏｎ??圖２．２?ＨＯＧ梯度方向計(jì)算??（２）?ＳＵＲＦ?特征??ＳＵＲＦ特征是一種穩(wěn)定的局部不變特征，也被稱為加速魯棒特征，２００６年首次由Ｈｅｒｂｅｒｔ??等人發(fā)表在歐洲計(jì)算機(jī)會(huì)議上。ＳＵＲＦ特征是ＳＩＦＴ特征的一種改進(jìn)算法，當(dāng)圖像中ＳＩＦＴ??特征較多時(shí)，整個(gè)過程中的計(jì)算量變大、速度變慢，針對(duì)這個(gè)問題，作者借鑒ＳＩＦＴ特征??的設(shè)計(jì)思路，主要運(yùn)用積分圖和海森矩陣行列式提高特征點(diǎn)的檢測(cè)計(jì)算速度，提升圖像的??檢索效率。??１４??

深特征越抽象，淺層特征提取了圖像的低層信息，而中層特征和深層特征分別??提取了圖像局部信息與高級(jí)語義信息。??２．３卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論??卷積神經(jīng)網(wǎng)絡(luò)通過模擬生物視覺機(jī)制來進(jìn)行提取特征，其結(jié)構(gòu)包含卷積層、池化層與??全連接層，其中卷積層和池化層是該網(wǎng)絡(luò)的核心組件，適用于監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)任務(wù)。??相比感知機(jī)，一方面ＣＮＮ網(wǎng)絡(luò)的權(quán)值共享減少了模型權(quán)值數(shù)量，加快了網(wǎng)絡(luò)訓(xùn)練；另一??方面權(quán)值共享機(jī)制可以有效降低模型的復(fù)雜度，減少了過擬合的風(fēng)險(xiǎn)，提高模型范化能力。??卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖２．３所示。??．「「ＩＶＨ??服裝圖像?卷積層?池化層?卷積層?池化層?全連接層??圖２．３卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)??１５??

【參考文獻(xiàn)】：
期刊論文
[1]融合多層卷積神經(jīng)網(wǎng)絡(luò)特征的快速圖像檢索方法[J]. 王志明,張航.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2019(08)
[2]基于標(biāo)準(zhǔn)化歐式距離的雙向特征匹配算法研究[J]. 黃海波,聶祥飛,李曉玲,張?jiān)?熊文怡.  電腦與電信. 2018(11)
[3]一種基于加權(quán)顏色形狀特征和LBP服裝圖像檢索方法[J]. 葛俊,于威威.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2018(19)
[4]基于深度卷積網(wǎng)絡(luò)的特征融合圖像檢索方法[J]. 楊紅菊,李堯.  山西大學(xué)學(xué)報(bào)(自然科學(xué)版). 2018(01)
[5]聯(lián)合分割和特征匹配的服裝圖像檢索[J]. 黃冬艷,劉驪,付曉東,黃青松.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2017(06)
[6]采用傅里葉描述子和支持向量機(jī)的服裝款式識(shí)別方法[J]. 李東,萬賢福,汪軍.  紡織學(xué)報(bào). 2017(05)
[7]基于度量學(xué)習(xí)的服裝圖像分類和檢索[J]. 包青平,孫志鋒.  計(jì)算機(jī)應(yīng)用與軟件. 2017(04)
[8]基于內(nèi)容的服裝檢索系統(tǒng)中顏色特征提取算法的研究和改進(jìn)[J]. 陳倩,潘中良.  激光雜志. 2016(04)
[9]基于視覺的服裝屬性分類算法[J]. 劉聰,丁貴廣.  微電子學(xué)與計(jì)算機(jī). 2016(01)
[10]基于支持向量機(jī)的面料圖像情感語義識(shí)別[J]. 張海波,黃鐵軍,劉莉,趙野軍,章江華.  天津工業(yè)大學(xué)學(xué)報(bào). 2013(06)

碩士論文
[1]基于HOG和SVM的服裝圖像檢索系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D]. 董俊杰.中山大學(xué) 2014



本文編號(hào)：3490793