發(fā)布時間：2021-11-12 11:09

　　近年來互聯(lián)網(wǎng)和電子商務得到了高速的發(fā)展,人們的購物方式逐漸從線下實體店轉(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,為了滿足消費者對服裝的需求,電商平臺需要不斷增加的服裝種類和數(shù)量,這將導致檢索引擎準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。基于文本方法的缺點:消費者與服裝商家之間的文字描述可能不一致,存在個體理解上的差異,而且文字信息難以詳盡的描述服裝圖像的內(nèi)容。基于圖像內(nèi)容方法的缺點:傳統(tǒng)圖像內(nèi)容的服裝圖像檢索方法過分依賴對圖像特征的取舍,需要研究人員有豐富的行業(yè)經(jīng)驗。因此,探索研究一種有效的服裝圖像檢索方法具有實際意義,鑒于近年來深度學習在圖像領(lǐng)域取得的突出成績,本文提出了一種基于卷積神經(jīng)網(wǎng)絡的服裝圖像檢索方法。本文經(jīng)過調(diào)研總結(jié)當前服裝圖像檢索研究現(xiàn)狀的前提之下。首先針對服裝圖像深度卷積特征信息豐富度低導致檢索效果差的問題,提出一種多尺度SE-Xception的網(wǎng)絡模型,實驗結(jié)果顯示該模型在服裝圖像分類和檢索任務中的效果均優(yōu)于常用的CNN模型。本文檢索主體框架借鑒了深度二進制哈�？�... 

【文章來源】：浙江理工大學浙江省

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【部分圖文】：

圖２．〗服裝圖像檢索基本過程??

浙江理工大學碩士學位論文?基于卷積神經(jīng)網(wǎng)絡的服裝圖像檢索技術(shù)研究??要求高的圖像檢索任務中，同時，如果圖像不清晰或邊緣光滑會導致難以檢測出關(guān)鍵點，??從而影響相似度的匹配，導致檢索效果低下。??（３）?ＨＯＧ特征??ＨＯＧ特征是常見的局部不變特征描述子，能夠用于檢測物體的輪廓，對光線變化具有??較強魯棒性，但不具備旋轉(zhuǎn)、尺度不變性。ＨＯＧ特征通過計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，對于有層次感、存在遮擋、噪聲多的場景表現(xiàn)可能??不理想，例如識別雜物間中的服裝。??具體實現(xiàn)過程是：首先將圖像切分成多個局部區(qū)域，這種局部區(qū)域也常常稱為細胞單??元，然后統(tǒng)計算每個細胞單元中像素點的梯度方向直方圖，最后將所有細胞單元的直方圖??組成為一個特征描述。細胞單元的ＨＯＧ梯度方向計算圖解如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)表在歐洲計算機會議上。ＳＵＲＦ特征是ＳＩＦＴ特征的一種改進算法，當圖像中ＳＩＦＴ??特征較多時，整個過程中的計算量變大、速度變慢，針對這個問題，作者借鑒ＳＩＦＴ特征??的設(shè)計思路，主要運用積分圖和海森矩陣行列式提高特征點的檢測計算速度，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語義信息。??２．３卷積神經(jīng)網(wǎng)絡基礎(chǔ)理論??卷積神經(jīng)網(wǎng)絡通過模擬生物視覺機制來進行提取特征，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)絡的核心組件，適用于監(jiān)督學習和非監(jiān)督學習任務。??相比感知機，一方面ＣＮＮ網(wǎng)絡的權(quán)值共享減少了模型權(quán)值數(shù)量，加快了網(wǎng)絡訓練；另一??方面權(quán)值共享機制可以有效降低模型的復雜度，減少了過擬合的風險，提高模型范化能力。??卷積神經(jīng)網(wǎng)絡結(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)絡模型結(jié)構(gòu)??１５??

【參考文獻】：
期刊論文
[1]融合多層卷積神經(jīng)網(wǎng)絡特征的快速圖像檢索方法[J]. 王志明,張航.  計算機輔助設(shè)計與圖形學學報. 2019(08)
[2]基于標準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,張月,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)代計算機(專業(yè)版). 2018(19)
[4]基于深度卷積網(wǎng)絡的特征融合圖像檢索方法[J]. 楊紅菊,李堯.  山西大學學報(自然科學版). 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.  計算機輔助設(shè)計與圖形學學報. 2017(06)
[6]采用傅里葉描述子和支持向量機的服裝款式識別方法[J]. 李東,萬賢福,汪軍.  紡織學報. 2017(05)
[7]基于度量學習的服裝圖像分類和檢索[J]. 包青平,孫志鋒.  計算機應用與軟件. 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[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.  微電子學與計算機. 2016(01)
[10]基于支持向量機的面料圖像情感語義識別[J]. 張海波,黃鐵軍,劉莉,趙野軍,章江華.  天津工業(yè)大學學報. 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)計與實現(xiàn)[D]. 董俊杰.中山大學 2014



本文編號：3490793