基于卷積神經(jīng)網(wǎng)絡的多類商品分類算法研究
發(fā)布時間：2021-01-18 04:01
隨著物聯(lián)網(wǎng)的興起、電子商務的高速發(fā)展,網(wǎng)上購物已成為人們生活中必不可少的一部分,依據(jù)圖像特征對商品進行有效的分類和檢索具有重要的應用價值。傳統(tǒng)的商品分類方法多基于文本,無法描繪商品的整體特征,且人工標注費力費時。一些基于內(nèi)容的分類方法,提取特征困難,分類效果不佳。即使有些基于深度學習的商品自動分類方法提出,也受限于較淺層的網(wǎng)絡分類效果不好,小樣本下網(wǎng)絡訓練不理想的問題。本文針對這些問題,提出了兩種基于卷積神經(jīng)網(wǎng)絡的商品分類方法。所進行的主要工作如下:（1）對現(xiàn)今的商品圖像分類技術進行了研究。通過閱讀了大量商品圖像分類的相關文獻,對商品圖像分類的研究背景和國內(nèi)外研究現(xiàn)狀進行了分析,并對現(xiàn)今使用的各種分類方法進行了總結比較。（2）對本文研究的基本原理進行了介紹。介紹了神經(jīng)網(wǎng)絡的發(fā)展,分析了卷積神經(jīng)網(wǎng)絡中卷積層、池化層、全連接層、激活函數(shù)等部分的作用,并列舉了常見的分類框架和特征提取方法。（3）針對較淺層的網(wǎng)絡分類效果不好的問題,提出了基于改進結構的卷積神經(jīng)網(wǎng)絡商品圖像分類方法。對經(jīng)典的網(wǎng)絡結構Alex Net進行了改進,提出了一種新的卷積網(wǎng)絡分類結構,此結構相比Alex Net優(yōu)化了卷積核...
【文章來源】：山東師范大學山東省
【文章頁數(shù)】：59 頁
【學位級別】：碩士
【部分圖文】：
傳統(tǒng)基于特征的商品圖像分類
山東師范大學碩士學位論文學習通過已知的訓練樣本訓練獲得最優(yōu)模型，在利用此模型將測試輸出結果，常見的有監(jiān)督圖像分類策略流程如圖 1-2 所示，訓練和的兩個基本過程。目前常用的有監(jiān)督圖像分類算法主要包括隨機Forests，RF）, K 近鄰分類器[6,11]（K-Nearest Neighbor classifier，KN[18,19]（Artificial Neural Networks，ANN），支持向量機[20,21,22]（hines，SVM）,樸素貝葉斯[23]（Naive Bayes，NB）,卷積神經(jīng)tion Neural Networks，CNN），條件隨機場[25]（Conditions Random
圖 2-1 M-P 神經(jīng)元模型F.Rosenblatt 基于神經(jīng)元的原理提出了一種模式識別機，即感知機模型出現(xiàn)是神經(jīng)相關計算的開始，在文獻[30]中，F(xiàn).Rosenblatt 提出了感知機的，由于這一定理的提出和論證，才使感知機相關的理論有章可循，也是性的發(fā)展，出現(xiàn)了首次神經(jīng)網(wǎng)絡的研究熱潮。型可實現(xiàn)邏輯運算，解決簡單線性可分的問題。但遇到復雜的線性不可考慮使用多層功能神經(jīng)元，常見的多層前饋神經(jīng)網(wǎng)絡如圖 2-2 所示，其層前饋網(wǎng)絡，右圖為多隱層前饋網(wǎng)絡。神經(jīng)網(wǎng)絡根據(jù)訓練數(shù)據(jù)調(diào)整各個連接權和每個神經(jīng)元的閾值從而完成完成學習過程，也就是說，網(wǎng)絡學在連接權和閾值中。多層網(wǎng)絡的學習能力遠遠強于單層感知機，但是想絡，僅僅使用感知機的學習規(guī)則就遠遠不足了，基于此，BP 算法應運而多用于多層前饋神經(jīng)網(wǎng)絡，通常提到的 BP 網(wǎng)絡一般就是指使用 BP 算法出的多層前反饋神經(jīng)網(wǎng)絡。
【參考文獻】：
期刊論文
[1]基于多特征融合和深度學習的商品圖像分類[J]. 曾志,吳財貴,唐權華,余嘉禾,李雅晴,高健. 計算機工程與設計. 2017(11)
[2]基于He-Net的卷積神經(jīng)網(wǎng)絡算法的圖像分類研究[J]. 王強,李孝杰,陳俊. 成都信息工程大學學報. 2017(05)
[3]基于卷積神經(jīng)網(wǎng)絡的圖像分類研究[J]. 楊瑩,張海仙. 現(xiàn)代計算機(專業(yè)版). 2016(05)
[4]一種基于稀疏編碼的多核學習圖像分類方法[J]. 亓曉振,王慶. 電子學報. 2012(04)
[5]SVM分類核函數(shù)及參數(shù)選擇比較[J]. 奉國和. 計算機工程與應用. 2011(03)
[6]一種新的圖像分類方法研究[J]. 王松,王衛(wèi)紅,秦緒佳. 計算機應用研究. 2006(12)
碩士論文
[1]基于深度學習的服裝圖像分類與檢索[D]. 包青平.浙江大學 2017
本文編號：2984233
【文章來源】：山東師范大學山東省
【文章頁數(shù)】：59 頁
【學位級別】：碩士
【部分圖文】：
傳統(tǒng)基于特征的商品圖像分類
山東師范大學碩士學位論文學習通過已知的訓練樣本訓練獲得最優(yōu)模型，在利用此模型將測試輸出結果，常見的有監(jiān)督圖像分類策略流程如圖 1-2 所示，訓練和的兩個基本過程。目前常用的有監(jiān)督圖像分類算法主要包括隨機Forests，RF）, K 近鄰分類器[6,11]（K-Nearest Neighbor classifier，KN[18,19]（Artificial Neural Networks，ANN），支持向量機[20,21,22]（hines，SVM）,樸素貝葉斯[23]（Naive Bayes，NB）,卷積神經(jīng)tion Neural Networks，CNN），條件隨機場[25]（Conditions Random
圖 2-1 M-P 神經(jīng)元模型F.Rosenblatt 基于神經(jīng)元的原理提出了一種模式識別機，即感知機模型出現(xiàn)是神經(jīng)相關計算的開始，在文獻[30]中，F(xiàn).Rosenblatt 提出了感知機的，由于這一定理的提出和論證，才使感知機相關的理論有章可循，也是性的發(fā)展，出現(xiàn)了首次神經(jīng)網(wǎng)絡的研究熱潮。型可實現(xiàn)邏輯運算，解決簡單線性可分的問題。但遇到復雜的線性不可考慮使用多層功能神經(jīng)元，常見的多層前饋神經(jīng)網(wǎng)絡如圖 2-2 所示，其層前饋網(wǎng)絡，右圖為多隱層前饋網(wǎng)絡。神經(jīng)網(wǎng)絡根據(jù)訓練數(shù)據(jù)調(diào)整各個連接權和每個神經(jīng)元的閾值從而完成完成學習過程，也就是說，網(wǎng)絡學在連接權和閾值中。多層網(wǎng)絡的學習能力遠遠強于單層感知機，但是想絡，僅僅使用感知機的學習規(guī)則就遠遠不足了，基于此，BP 算法應運而多用于多層前饋神經(jīng)網(wǎng)絡，通常提到的 BP 網(wǎng)絡一般就是指使用 BP 算法出的多層前反饋神經(jīng)網(wǎng)絡。
【參考文獻】：
期刊論文
[1]基于多特征融合和深度學習的商品圖像分類[J]. 曾志,吳財貴,唐權華,余嘉禾,李雅晴,高健. 計算機工程與設計. 2017(11)
[2]基于He-Net的卷積神經(jīng)網(wǎng)絡算法的圖像分類研究[J]. 王強,李孝杰,陳俊. 成都信息工程大學學報. 2017(05)
[3]基于卷積神經(jīng)網(wǎng)絡的圖像分類研究[J]. 楊瑩,張海仙. 現(xiàn)代計算機(專業(yè)版). 2016(05)
[4]一種基于稀疏編碼的多核學習圖像分類方法[J]. 亓曉振,王慶. 電子學報. 2012(04)
[5]SVM分類核函數(shù)及參數(shù)選擇比較[J]. 奉國和. 計算機工程與應用. 2011(03)
[6]一種新的圖像分類方法研究[J]. 王松,王衛(wèi)紅,秦緒佳. 計算機應用研究. 2006(12)
碩士論文
[1]基于深度學習的服裝圖像分類與檢索[D]. 包青平.浙江大學 2017
本文編號：2984233
本文鏈接：http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/2984233.html
最近更新
教材專著
