商品識別技術(shù)是現(xiàn)代零售業(yè)的核心技術(shù)之一。相比于傳統(tǒng)商品識別方法,基于計算機視覺的商品識別具有快速、準(zhǔn)確、成本低等優(yōu)勢,有廣泛的應(yīng)用前景�，F(xiàn)階段大多數(shù)商品圖像識別算法主要基于圖像分類網(wǎng)絡(luò),在實際應(yīng)用中存在商品類別無法靈活更改、商品類別數(shù)量受限以及缺乏類別泛化能力等問題。為了快速準(zhǔn)確地識別商品,同時避免以上問題,本文研發(fā)了基于圖像檢索的商品識別算法,具有較高的工程應(yīng)用價值。本文研發(fā)的商品識別算法分為特征提取和特征匹配兩步。首先研發(fā)了基于度量學(xué)習(xí)的特征提取網(wǎng)絡(luò),采用預(yù)訓(xùn)練的骨干網(wǎng)絡(luò)從商品圖像中提取豐富的全局信息,由特征提取模塊映射成特征向量輸出。改進三元組損失監(jiān)督特征提取過程,加強了特征的區(qū)分性,同時添加分類監(jiān)督使網(wǎng)絡(luò)訓(xùn)練更快更穩(wěn)定。在此基礎(chǔ)上研發(fā)了基于多分支結(jié)構(gòu)的特征提取網(wǎng)絡(luò),設(shè)計多分支結(jié)構(gòu)將骨干網(wǎng)絡(luò)提取的全局特征先拆分再映射,以編碼不同的圖像信息到多個特征向量。聯(lián)合多個特征向量進行特征匹配,提升了算法的魯棒性與精度。之后本文研發(fā)了特征匹配算法,該算法結(jié)合特征的余弦相似度計算和排序,將查詢商品與注冊商品進行匹配,得到商品識別結(jié)果。在100類商品的36995張圖片上測試,基于度量學(xué)習(xí)的模型識... 

【文章來源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：91 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１－１手機商品識別系統(tǒng)工作原理圖??

浙江大學(xué)碩士專業(yè)學(xué)位論文?相關(guān)技術(shù)概述??特征圖??／?？?…．．、?＼??Ｈｉ?；?？?＼?ｉ?１，?？?Ｌ＾—．?＼?、、、、??ｆ?ｆ?ｊ?＇?‘?．｛＾Ｊ４－ｐ?＇Ｔｆｐ－－?－?＼??—？?＊?？?？?－ｔ二二－．二二二二一?？？?？???—－－？?＊?＊＊?１??？?１?厶：、?一?Ｉ?＇！?？：：？；；：?－?，??全連接??卷積層?池化層?卷積層?池化層?各嗱唼??圖２－１?ＬｅＮｅｔ－５網(wǎng)絡(luò)架構(gòu)??池化層又稱降采樣層，一般在網(wǎng)絡(luò)中兩個卷積層或模塊之間使用，如圖２－１??所示。池化層通過在特征圖上滑動池化窗口，選取固定大小的特征圖區(qū)域計算極??值或均值等統(tǒng)計信息代替原始區(qū)域，輸出尺寸成倍減小的特征圖。池化層不僅能??降低特征圖的空間維度和減少網(wǎng)絡(luò)計算量，而且能夠增強卷積神經(jīng)網(wǎng)絡(luò)的平移不??變性（Ｔｒａｎｓｌａｔｉｏｎ?Ｉｎｖａｒｉａｎｔ），這一點對于圖像分類任務(wù)尤其重要。此夕卜，引入池??化層可以顯著降低網(wǎng)絡(luò)過擬合的風(fēng)險。??全連接層一般應(yīng)用在網(wǎng)絡(luò)最后，通過單層或多層全連接將網(wǎng)絡(luò)學(xué)習(xí)的特征表??示（Ｆｅａｔｕｒｅ?Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）映射到訓(xùn)練樣本標(biāo)記空間，作用類似于傳統(tǒng)圖像分??類算法中的機器學(xué)習(xí)分類器。全連接層的輸出單元數(shù)量代表分類的類別數(shù)量，在??搭建網(wǎng)絡(luò)時確定，每個輸出單元對應(yīng)的類別標(biāo)簽從訓(xùn)練樣本中學(xué)得。在分類網(wǎng)絡(luò)??中，全連接層的輸入是高維特征向量，輸出是該特征在各個類別的得分，該值越??大，說明輸入圖像屬于該類別的概率越大。??０＾．?辦??？ｉ；?■??．．．．；：類別２??轉(zhuǎn)叫雙??｜?［類另“丨??圖２－２全連

浙江大學(xué)碩士專業(yè)學(xué)位論文?相關(guān)技術(shù)概述??特征圖??／?？?…．．、?＼??Ｈｉ?；?？?＼?ｉ?１，?？?Ｌ＾—．?＼?、、、、??ｆ?ｆ?ｊ?＇?‘?．｛＾Ｊ４－ｐ?＇Ｔｆｐ－－?－?＼??—？?＊?？?？?－ｔ二二－．二二二二一?？？?？???—－－？?＊?＊＊?１??？?１?厶：、?一?Ｉ?＇！?？：：？；；：?－?，??全連接??卷積層?池化層?卷積層?池化層?各嗱唼??圖２－１?ＬｅＮｅｔ－５網(wǎng)絡(luò)架構(gòu)??池化層又稱降采樣層，一般在網(wǎng)絡(luò)中兩個卷積層或模塊之間使用，如圖２－１??所示。池化層通過在特征圖上滑動池化窗口，選取固定大小的特征圖區(qū)域計算極??值或均值等統(tǒng)計信息代替原始區(qū)域，輸出尺寸成倍減小的特征圖。池化層不僅能??降低特征圖的空間維度和減少網(wǎng)絡(luò)計算量，而且能夠增強卷積神經(jīng)網(wǎng)絡(luò)的平移不??變性（Ｔｒａｎｓｌａｔｉｏｎ?Ｉｎｖａｒｉａｎｔ），這一點對于圖像分類任務(wù)尤其重要。此夕卜，引入池??化層可以顯著降低網(wǎng)絡(luò)過擬合的風(fēng)險。??全連接層一般應(yīng)用在網(wǎng)絡(luò)最后，通過單層或多層全連接將網(wǎng)絡(luò)學(xué)習(xí)的特征表??示（Ｆｅａｔｕｒｅ?Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）映射到訓(xùn)練樣本標(biāo)記空間，作用類似于傳統(tǒng)圖像分??類算法中的機器學(xué)習(xí)分類器。全連接層的輸出單元數(shù)量代表分類的類別數(shù)量，在??搭建網(wǎng)絡(luò)時確定，每個輸出單元對應(yīng)的類別標(biāo)簽從訓(xùn)練樣本中學(xué)得。在分類網(wǎng)絡(luò)??中，全連接層的輸入是高維特征向量，輸出是該特征在各個類別的得分，該值越??大，說明輸入圖像屬于該類別的概率越大。??０＾．?辦??？ｉ；?■??．．．．；：類別２??轉(zhuǎn)叫雙??｜?［類另“丨??圖２－２全連


本文編號：3121958