在傳統(tǒng)的線(xiàn)上衣服購(gòu)物場(chǎng)景中,用戶(hù)在搜索商品時(shí)需要輸入關(guān)于衣服商品的特征描述關(guān)鍵字。由于關(guān)鍵字描述能力的局限性,這種方式下系統(tǒng)搜索到的商品往往和消費(fèi)者的意圖不匹配,而且關(guān)鍵字輸入也給用戶(hù)體驗(yàn)帶來(lái)不好的影響。特別是在移動(dòng)互聯(lián)網(wǎng)的場(chǎng)景下,移動(dòng)終端能夠很方便獲得期望商品的外觀圖像。如果系統(tǒng)能夠直接根據(jù)移動(dòng)終端獲取的圖像完成搜索,做到所見(jiàn)即所得,則無(wú)疑會(huì)給線(xiàn)上購(gòu)物帶來(lái)巨大的便捷。基于以上的應(yīng)用背景,本文開(kāi)展了基于移動(dòng)終端的衣服圖像搜索算法設(shè)計(jì)與應(yīng)用開(kāi)發(fā)研究。針對(duì)移動(dòng)搜索系統(tǒng)的能耗限制和網(wǎng)絡(luò)傳輸時(shí)延以及搜索精度和速度問(wèn)題,主要完成了以下工作:首先采用視覺(jué)詞匯樹(shù)來(lái)提高單詞量化效率,視覺(jué)詞匯樹(shù)通過(guò)將視覺(jué)詞典組織成樹(shù)狀結(jié)構(gòu)將量化的計(jì)算復(fù)雜度降低到對(duì)數(shù)級(jí)別,以降低移動(dòng)端量化過(guò)程的能耗。同時(shí),利用衣服圖像的視覺(jué)單詞向量的稀疏性特點(diǎn),降低系統(tǒng)的網(wǎng)絡(luò)傳輸負(fù)載,提高系統(tǒng)響應(yīng)速度。針對(duì)搜索精度和速度,本文基于乘積量化思想提出融合衣服圖像的紋理和顏色視覺(jué)詞典的融合索引搜索算法提高搜索系統(tǒng)的搜索性能。由于算法中衣服圖像的視覺(jué)詞典是通過(guò)對(duì)兩種視覺(jué)詞典進(jìn)行笛卡爾乘積得到,它通過(guò)兩個(gè)規(guī)模較小的視覺(jué)詞典構(gòu)造得到單詞空間較大的融...

【文章頁(yè)數(shù)】：84 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2–3SIFT特征向量生成示例

圖像的深度特征之后就可以通過(guò)比較深度特征向量之間的余弦相似度來(lái)判斷對(duì)應(yīng)的兩幅圖像的相似程度了。AlexNet的網(wǎng)絡(luò)結(jié)構(gòu)如圖2–4所示。它由5個(gè)卷積層，4個(gè)pooling和三個(gè)全連接層組成的深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)。FC6層的激活輸出是4096維的向量，也就是....

圖2–4AlexNet深度卷積網(wǎng)絡(luò)結(jié)構(gòu)

圖像的深度特征之后就可以通過(guò)比較深度特征向量之間的余弦相似度來(lái)判斷對(duì)應(yīng)的兩幅圖像的相似程度了。AlexNet的網(wǎng)絡(luò)結(jié)構(gòu)如圖2–4所示。它由5個(gè)卷積層，4個(gè)pooling和三個(gè)全連接層組成的深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)。FC6層的激活輸出是4096維的向量，也就是....

圖2–7圖像二進(jìn)制表達(dá)的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

[51]。提取圖像二值特征表達(dá)的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2–7所示。該網(wǎng)絡(luò)由3個(gè)卷積-pooling層和兩個(gè)全連接層組成。根據(jù)之前的闡述，得到的二值向量要保持原有特征空間的結(jié)構(gòu)，因此網(wǎng)絡(luò)對(duì)應(yīng)的損失函數(shù)定義為：L(b1,b2,y)=12(1y)Dh(b1,b2)+12....

圖3–1HSV顏色空間量化示意圖

間(H表示的是顏色的色調(diào)，S表示的是顏色的飽和度，V表示的顏色的明度)相比數(shù)字圖像的RGB空間更適合人眼對(duì)色彩的描述，因此本文選擇在HSV顏色空間來(lái)對(duì)衣服圖像進(jìn)行顏色特征提取。如圖3–1所示，首先對(duì)HSV顏色空間進(jìn)行等間隔量化，然后簡(jiǎn)單通過(guò)統(tǒng)計(jì)衣服圖像各區(qū)域....

本文編號(hào)：3913143