隨著物聯(lián)網(wǎng)的興起、電子商務(wù)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(duì)商品進(jìn)行有效的分類和檢索具有重要的應(yīng)用價(jià)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(biāo)注費(fèi)力費(fèi)時(shí)。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(xué)習(xí)的商品自動(dòng)分類方法提出,也受限于較淺層的網(wǎng)絡(luò)分類效果不好,小樣本下網(wǎng)絡(luò)訓(xùn)練不理想的問題。本文針對(duì)這些問題,提出了兩種基于卷積神經(jīng)網(wǎng)絡(luò)的商品分類方法。所進(jìn)行的主要工作如下:（1）對(duì)現(xiàn)今的商品圖像分類技術(shù)進(jìn)行了研究。通過閱讀了大量商品圖像分類的相關(guān)文獻(xiàn),對(duì)商品圖像分類的研究背景和國(guó)內(nèi)外研究現(xiàn)狀進(jìn)行了分析,并對(duì)現(xiàn)今使用的各種分類方法進(jìn)行了總結(jié)比較。（2）對(duì)本文研究的基本原理進(jìn)行了介紹。介紹了神經(jīng)網(wǎng)絡(luò)的發(fā)展,分析了卷積神經(jīng)網(wǎng)絡(luò)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(duì)較淺層的網(wǎng)絡(luò)分類效果不好的問題,提出了基于改進(jìn)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)商品圖像分類方法。對(duì)經(jīng)典的網(wǎng)絡(luò)結(jié)構(gòu)Alex Net進(jìn)行了改進(jìn),提出了一種新的卷積網(wǎng)絡(luò)分類結(jié)構(gòu),此結(jié)構(gòu)相比Alex Net優(yōu)化了卷積核... 

【文章來源】：山東師范大學(xué)山東省

【文章頁數(shù)】：59 頁

【學(xué)位級(jí)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(xué)碩士學(xué)位論文學(xué)習(xí)通過已知的訓(xùn)練樣本訓(xùn)練獲得最優(yōu)模型，在利用此模型將測(cè)試輸出結(jié)果，常見的有監(jiān)督圖像分類策略流程如圖 1-2 所示，訓(xùn)練和的兩個(gè)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(jī)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(jī)[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(jī)場(chǎng)[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(shí)別機(jī)，即感知機(jī)模型出現(xiàn)是神經(jīng)相關(guān)計(jì)算的開始，在文獻(xiàn)[30]中，F(xiàn).Rosenblatt 提出了感知機(jī)的，由于這一定理的提出和論證，才使感知機(jī)相關(guān)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(luò)的研究熱潮。型可實(shí)現(xiàn)邏輯運(yùn)算，解決簡(jiǎn)單線性可分的問題。但遇到復(fù)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(luò)如圖 2-2 所示，其層前饋網(wǎng)絡(luò)，右圖為多隱層前饋網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)根據(jù)訓(xùn)練數(shù)據(jù)調(diào)整各個(gè)連接權(quán)和每個(gè)神經(jīng)元的閾值從而完成完成學(xué)習(xí)過程，也就是說，網(wǎng)絡(luò)學(xué)在連接權(quán)和閾值中。多層網(wǎng)絡(luò)的學(xué)習(xí)能力遠(yuǎn)遠(yuǎn)強(qiáng)于單層感知機(jī)，但是想絡(luò)，僅僅使用感知機(jī)的學(xué)習(xí)規(guī)則就遠(yuǎn)遠(yuǎn)不足了，基于此，BP 算法應(yīng)運(yùn)而多用于多層前饋神經(jīng)網(wǎng)絡(luò)，通常提到的 BP 網(wǎng)絡(luò)一般就是指使用 BP 算法出的多層前反饋神經(jīng)網(wǎng)絡(luò)。

【參考文獻(xiàn)】：
期刊論文
[1]基于多特征融合和深度學(xué)習(xí)的商品圖像分類[J]. 曾志,吳財(cái)貴,唐權(quán)華,余嘉禾,李雅晴,高健.  計(jì)算機(jī)工程與設(shè)計(jì). 2017(11)
[2]基于He-Net的卷積神經(jīng)網(wǎng)絡(luò)算法的圖像分類研究[J]. 王強(qiáng),李孝杰,陳俊.  成都信息工程大學(xué)學(xué)報(bào). 2017(05)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類研究[J]. 楊瑩,張海仙.  現(xiàn)代計(jì)算機(jī)(專業(yè)版). 2016(05)
[4]一種基于稀疏編碼的多核學(xué)習(xí)圖像分類方法[J]. 亓?xí)哉?王慶.  電子學(xué)報(bào). 2012(04)
[5]SVM分類核函數(shù)及參數(shù)選擇比較[J]. 奉國(guó)和.  計(jì)算機(jī)工程與應(yīng)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(jì)算機(jī)應(yīng)用研究. 2006(12)

碩士論文
[1]基于深度學(xué)習(xí)的服裝圖像分類與檢索[D]. 包青平.浙江大學(xué) 2017



本文編號(hào)：2984233