伴隨著電子商務(wù)領(lǐng)域的不斷發(fā)展,傳統(tǒng)的實體門店面臨著巨大的挑戰(zhàn)。相較于以淘寶、京東等為代表的國內(nèi)大型電商平臺,基于實體門店的傳統(tǒng)零售行業(yè)的主要劣勢之一在于各方面較高的成本,這些成本涵蓋地租、運營、人工、物流等多個方面。服飾商品具有季節(jié)性、時效性的特性,許多品牌的服飾更新?lián)Q代非�？烨移奉惐姸�,每季度、每月甚至每周都會推出新的服飾,這便給服飾類實體門店人工進(jìn)行商品清點帶來了困難。近年來,基于CNN的圖像識別技術(shù)被廣泛運用于各種商品識別場景中,但其應(yīng)用領(lǐng)域主要集中在電商平臺的商品圖像識別以及便利店、超市等雜貨類零售實體門店的無人結(jié)算,針對服飾類實體門店的研究與應(yīng)用較少。本文以運動服飾品牌“李寧”的實體門店為基礎(chǔ),以作為門店主要商品的鞋、上衣商品為例,針對服飾類商品的獨特特征,對基于CNN的商品識別方法在服飾類實體門店中的應(yīng)用進(jìn)行深入研究,構(gòu)建出一套專門適用于服飾類實體門店的商品識別方法,輔助店員進(jìn)行商品清點,實現(xiàn)商品清點自動化,提升商品管理效率。針對服飾類實體門店的商品識別,本研究的主要內(nèi)容包括:(1)構(gòu)建出一套專門用于服飾類商品圖像數(shù)據(jù)采集的方法,建立數(shù)據(jù)采集貨架進(jìn)行基礎(chǔ)訓(xùn)練數(shù)據(jù)的采集,每個...

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－１?Ｍ－Ｐ神經(jīng)元模型??其中，ｘ１（ｘ２１？為該神經(jīng)元從上一層的ｎ個神經(jīng)元接收的輸入信號，??ｗ，?ｗ，為ｉ經(jīng)經(jīng)的，表經(jīng)連的強(qiáng)，??

?基于ＣＮＮ的服飾類實體門店商品識別方法的應(yīng)用研究???２商品識別方法的原理介紹??２．１基于ＣＮＮ的圖像分類原理介紹??２．１．１人工神經(jīng)網(wǎng)絡(luò)??１．Ｍ－Ｐ神經(jīng)元模型??１９４３年，美國心理學(xué)家ＭｃＣｕｌｌｏｃｈ和數(shù)學(xué)家Ｐｉｔｔｓ參考生物神經(jīng)元結(jié)構(gòu)，提??出了一種簡易人工神經(jīng)元....

圖２－２全連接神經(jīng)網(wǎng)絡(luò)示意圖??１１??

?２商品識別方法的原理介紹???２．感知機(jī)??１９５７年，就職于Ｃｏｒｎｅｌｌ航空實驗室的Ｒｏｓｅｎｂｌａｔｔ提出了感知機(jī)（Ｐｅｒｃｅｐｔｒｏｎ），??該模型是一種簡單的人工神經(jīng)網(wǎng)絡(luò)，能夠執(zhí)行線性二分類任務(wù)網(wǎng)。設(shè)輸入空間??為ｊ?Ｓ?ｉ？＇輸出空間ｙ?＝?（＋?１，?－?１｝表示....

圖２－３卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)??卷積神經(jīng)網(wǎng)絡(luò)（ＣＮＮ）是一種以卷積層為基本單元的人工神經(jīng)網(wǎng)絡(luò)，其基??

?基于ＣＮＮ的服飾類實體門店商品識別方法的應(yīng)用研究???輸入層?卷積層１?池化層１?卷積層２?地化層２全連接層ｓｏｆｔｍａｘ層??４ｊ?ｆ＾ｎｒｔ?：?４－ｉ?－—．??圖２－３卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)??卷積神經(jīng)網(wǎng)絡(luò)（ＣＮＮ）是一種以卷積層為基本單元的人工神經(jīng)網(wǎng)絡(luò)，其基??本結(jié)構(gòu)....

圖２－４局部感受野與局部連接??雖然通過局部連接減少了參數(shù)量，但對于模型訓(xùn)練來說，在盡可能維持預(yù)??測精度的情況下參數(shù)越少越好

局部連接�，F(xiàn)討??論局部連接減少參數(shù)量的效果：設(shè)輸入層節(jié)點數(shù)為丨｜／丨丨，輸出層節(jié)點數(shù)為丨Ｌ／１Ｉ，??卷積核大小為／ｃｘｆｃ，采用全連接方式的參數(shù)量為｜｜／丨丨Ｘ｜｜；丨丨，采用局部連接方式??則的參數(shù)量為／ＣＸ／ＣＸ?｜｜／丨丨，其中／Ｃ一般取值較小，如１、３、５，于是有／ｃ....

本文編號：3940163