本文關(guān)鍵詞：基于深度學習的服裝圖像分類與檢索

  更多相關(guān)文章： 服裝圖像 深度學習 分類 檢索 多任務學習 度量學習 K-means

【摘要】：隨著服裝電子商務的蓬勃發(fā)展,網(wǎng)絡上的服裝圖像數(shù)據(jù)量急劇增長。面對海量的服裝圖像數(shù)據(jù),如果使用人工進行服裝圖像的語義屬性標注以用于分類和檢索,則需要花費大量的人力和時間,而且語義屬性并不能完全表達服裝圖像中的豐富信息,造成檢索效果不佳。因此尋找快捷有效的服裝圖像分類和檢索方法是一個有意義的課題。近年來,深度學習在圖像處理領域取得了卓越的成績,本文基于深度學習對服裝圖像的分類和檢索技術(shù)進行研究,主要完成了以下工作:首先簡要介紹了深度學習的基本概念和常用的模型結(jié)構(gòu),并詳細闡述了卷積神經(jīng)網(wǎng)絡的原理及其模型組件。針對服裝圖像對多個屬性同時進行分類和識別的要求,構(gòu)建了基于多任務學習的卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)。為了克服背景、光照、變形等因素的影響,采用了結(jié)合度量學習的卷積神經(jīng)網(wǎng)絡結(jié)構(gòu),具體包括Siamese和Triplet兩種模型結(jié)構(gòu)。實驗結(jié)果表明,度量學習的引入,特別是采用Triplet結(jié)構(gòu),可以顯著提高分類的準確性。之后使用訓練好的卷積神經(jīng)網(wǎng)絡進行特征提取用于圖像檢索,并和基于SIFT特征的檢索方法進行比較。實驗結(jié)果表明,檢索時使用卷積神經(jīng)網(wǎng)絡提取的特征相比于傳統(tǒng)的SIFT特征具有明顯的優(yōu)勢,特別是基于Triplet結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡的抗干擾能力顯著提高。此外,融合卷積層和全連接的特征映射作為特征表示也比使用單一的特征映射具有更好的效果。為了更進一步消除背景因素的影響,還使用Faster-RCNN算法進行衣物檢測以提取出感興趣的區(qū)域。最后為了提升檢索速率,采取了兩種可行的方法,一是K-means聚類,二是使用語義屬性預測進行預分類,實驗結(jié)果表明使用K-means的效果更好。
【學位授予單位】：浙江大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：TS941.1;TP391.41

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前6條

1 韓永華;劉成霞;汪亞明;孫麒;;基于小波分解系數(shù)的織物圖像分類分割[J];紡織學報;2012年11期

2 麥曉冬;;基于支持向量機的室內(nèi)室外圖像分類方法[J];廣東輕工職業(yè)技術(shù)學院學報;2010年03期

3 王紅平,齊春,李金標,張忠信;基于主成分分析的礦物浮選泡沫圖像分類與識別[J];礦冶;2005年03期

4 甘勝豐;孫林;曹陽;劉廣益;;多級圖像分類系統(tǒng)在硅鋼冷軋表面缺陷檢測中的應用[J];冶金自動化;2009年02期

5 吳學禮;趙萌;孟凡華;劉浩南;;基于綜合特征的Bp-adaboost工業(yè)儀表圖像分類方法[J];河北科技大學學報;2013年05期

6 ;[J];;年期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 鄭海紅;曾平;;一種基于圖像分類的逆半調(diào)算法[A];’2004計算機應用技術(shù)交流會議論文集[C];2004年

2 文振q;歐陽杰;朱為總;;基于語義特征與支持向量機的圖像分類[A];中國電子學會第十六屆信息論學術(shù)年會論文集[C];2009年

3 王海峰;管亮;;基于顏色特征的圖像分類技術(shù)在油品分析中的應用[A];中國儀器儀表學會第六屆青年學術(shù)會議論文集[C];2004年

4 陳思坤;吳洪;;基于圖分塊并利用空間金字塔的醫(yī)學圖像分類[A];第六屆和諧人機環(huán)境聯(lián)合學術(shù)會議（HHME2010)、第19屆全國多媒體學術(shù)會議（NCMT2010）、第6屆全國人機交互學術(shù)會議（CHCI2010）、第5屆全國普適計算學術(shù)會議（PCC2010）論文集[C];2010年

5 張淑雅;趙曉宇;趙一鳴;李均利;;基于SVM的圖像分類[A];第十三屆全國圖象圖形學學術(shù)會議論文集[C];2006年

6 李博;韓萍;;基于壓縮感知和SVM的極化SAR圖像分類[A];第二十七屆中國（天津）2013IT、網(wǎng)絡、信息技術(shù)、電子、儀器儀表創(chuàng)新學術(shù)會議論文集[C];2013年

7 朱松豪;胡娟娟;孫偉;;基于非歐空間高階統(tǒng)計的圖像分類方法[A];第25屆中國控制與決策會議論文集[C];2013年

8 潘海為;李建中;張煒;;基于像素聚類的腦部醫(yī)學圖像分類[A];第二十屆全國數(shù)據(jù)庫學術(shù)會議論文集（研究報告篇）[C];2003年

9 吳霜;張一飛;修非;王大玲;鮑玉斌;于戈;;基于興趣點特征提取的醫(yī)學圖像分類[A];第二十四屆中國數(shù)據(jù)庫學術(shù)會議論文集（研究報告篇）[C];2007年

10 武進;尹愷;王長明;張家才;;SVDM在蔬菜病害圖像分類中的應用[A];圖像圖形技術(shù)與應用進展——第三屆圖像圖形技術(shù)與應用學術(shù)會議論文集[C];2008年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 胡堯;基于低秩矩陣估計的機器學習算法分析[D];浙江大學;2015年

2 李昌英(Ri ChangYong);基于上下文信息的語義圖像分類研究[D];浙江大學;2014年

3 陳博;基于集成學習和特征選擇的極化SAR地物分類[D];西安電子科技大學;2015年

4 王曉東;基于稀疏特征學習的復雜圖像分類[D];西安電子科技大學;2014年

5 顧迎節(jié);面向圖像分類的主動學習算法研究[D];南京理工大學;2015年

6 趙鑫;圖像分類中的判別性增強研究[D];中國科學技術(shù)大學;2013年

7 楊冰;基于藝術(shù)風格的繪畫圖像分類研究[D];浙江大學;2013年

8 丁建睿;基于多示例學習的淺表器官超聲圖像分類方法研究[D];哈爾濱工業(yè)大學;2012年

9 賈世杰;基于內(nèi)容的商品圖像分類方法研究[D];大連理工大學;2013年

10 李曉旭;基于概率主題模型的圖像分類和標注的研究[D];北京郵電大學;2012年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 張明靜;基于改進遺傳算法的分塊綜合特征加權(quán)圖像分類研究[D];華南理工大學;2015年

2 李函怡;融合主動學習的半監(jiān)督技術(shù)在圖像分類中的應用研究[D];西南大學;2015年

3 王亞鳳;基于多特征的主動學習方法在圖像分類中的應用研究[D];河北工程大學;2015年

4 陳榮安;基于改進的Bag-of-Features模型的圖像分類研究[D];蘭州大學;2015年

5 鐘畏丹;基于HSV和紋理特征的圖像分類[D];華中師范大學;2015年

6 焦陽;基于主動學習的多標簽圖像分類方法研究[D];蘇州大學;2015年

7 王騰川;基于主動學習的SAR圖像分類方法研究[D];上海交通大學;2015年

8 NGUYEN QUANG KHANH;基于極化SAR目標信息提取與SVM分類[D];哈爾濱工業(yè)大學;2015年

9 王朔琛;基于半監(jiān)督支持向量機的圖像分類方法研究[D];陜西師范大學;2015年

10 楊東坡;基于深度學習的商品圖像分類[D];大連交通大學;2015年

，

本文編號：1295128