基于多任務深度學習網(wǎng)絡的服裝檢測和搭配方法研究
發(fā)布時間：2021-07-11 18:46
隨著服裝電子商務的發(fā)展和大數(shù)據(jù)時代的來臨,越來越多的線下服裝商家開始在電子商務平臺上銷售服裝,互聯(lián)網(wǎng)上存儲著海量的服裝數(shù)據(jù),用戶對自身服裝搭配也越來越重視。借助海量數(shù)據(jù)和算法為用戶推薦服裝搭配方案,以滿足用戶需求及提升用戶的購買欲望,是服裝電商平臺提升用戶體驗和銷量的重要手段。此外,現(xiàn)代社會中,人們將穿搭視為自己個性的表達,也更加注重自身服裝搭配。因此研究服裝搭配技術(shù)對電商平臺和用戶都有十分重要的意義。本文基于服裝圖像搭配的應用背景,將深度學習網(wǎng)絡中的圖像分割模型和時間序列模型應用到服裝搭配上。主要完成以下工作:1.提出殘差結(jié)構(gòu)的遞歸融合模塊,用以改進語義分割網(wǎng)絡,能在減少網(wǎng)絡參數(shù)的同時提高語義分割的精度。遞歸結(jié)構(gòu)通過卷積核復用來減少卷積核參數(shù)量,殘差結(jié)構(gòu)緩解梯度傳播困難,特征圖融合結(jié)構(gòu)將可視野大小不同的特征圖融合到一起以提高分割精度。并將該模塊應用于Mask RCNN實例分割網(wǎng)絡的分割分支上,提高了Mask RCNN網(wǎng)絡的分割性能。2.提出基于Bi-LSTM的服裝搭配網(wǎng)絡,共有三個模塊組成。a)特征提取模塊分別使用Inception V3提取服裝圖像的低層特征信息和Mask RCNN...
【文章來源】：東華大學上海市 211工程院校 教育部直屬院校
【文章頁數(shù)】：78 頁
【學位級別】：碩士
【部分圖文】：
FCN將全連接層轉(zhuǎn)換為全卷積示意圖[11]
第1章緒論4圖1.2FCN“跳躍”結(jié)構(gòu)示意圖[11]DeepLab[19]是谷歌團隊在FCN的基礎上進行優(yōu)化的圖像分割方法，該文創(chuàng)新性的將Atrousconvolution（空洞卷積）與SSP（金字塔池化）結(jié)合提出了ASPP（空洞金字塔池化）應用到深度卷積模型上，既能改善下采樣后得到的特征圖過小的問題，又能適應多尺度目標。經(jīng)過ASPP池化層的特征圖下采樣了八倍，使用雙線性插值將其恢復到原圖的尺寸，這種方法簡單有效地替代了在稠密任務中的反卷積層，大大提高了運算速度，同時金字塔池化也解決了物體在多尺度圖像中狀態(tài)不同的問題，提高了分割網(wǎng)絡的魯棒性。其示意圖如下：圖1.3ASPP（空洞金字塔池化）示意圖[19]該文另一個創(chuàng)新點是結(jié)合了深度卷積神經(jīng)網(wǎng)絡（DCNNs）和概率圖模型（DenseCRFs）。由于目標分類需要空間不變，DCNN的空間準確性被限制，而DeepLab通過將DCNNs層的響應和完全連接的條件隨機場（CRFs）結(jié)合來解決該問題，結(jié)果顯示CRFs能夠產(chǎn)生準確的分割掩碼并能恢復目標邊緣的細節(jié)信息。FCN和Deeplab都是像素級別的語義分割網(wǎng)絡，通過預測圖像中的每個像素
第1章緒論4圖1.2FCN“跳躍”結(jié)構(gòu)示意圖[11]DeepLab[19]是谷歌團隊在FCN的基礎上進行優(yōu)化的圖像分割方法，該文創(chuàng)新性的將Atrousconvolution（空洞卷積）與SSP（金字塔池化）結(jié)合提出了ASPP（空洞金字塔池化）應用到深度卷積模型上，既能改善下采樣后得到的特征圖過小的問題，又能適應多尺度目標。經(jīng)過ASPP池化層的特征圖下采樣了八倍，使用雙線性插值將其恢復到原圖的尺寸，這種方法簡單有效地替代了在稠密任務中的反卷積層，大大提高了運算速度，同時金字塔池化也解決了物體在多尺度圖像中狀態(tài)不同的問題，提高了分割網(wǎng)絡的魯棒性。其示意圖如下：圖1.3ASPP（空洞金字塔池化）示意圖[19]該文另一個創(chuàng)新點是結(jié)合了深度卷積神經(jīng)網(wǎng)絡（DCNNs）和概率圖模型（DenseCRFs）。由于目標分類需要空間不變，DCNN的空間準確性被限制，而DeepLab通過將DCNNs層的響應和完全連接的條件隨機場（CRFs）結(jié)合來解決該問題，結(jié)果顯示CRFs能夠產(chǎn)生準確的分割掩碼并能恢復目標邊緣的細節(jié)信息。FCN和Deeplab都是像素級別的語義分割網(wǎng)絡，通過預測圖像中的每個像素
【參考文獻】：
期刊論文
[1]基于極速學習機的服裝搭配智能推薦系統(tǒng)設計[J]. 杜丹,張千惠. 中國科技信息. 2012(17)
碩士論文
[1]基于模糊粗集等價聚類的不確定性屬性約簡及其在服裝搭配上的應用[D]. 徐略輝.東華大學 2008
本文編號：3278647
【文章來源】：東華大學上海市 211工程院校 教育部直屬院校
【文章頁數(shù)】：78 頁
【學位級別】：碩士
【部分圖文】：
FCN將全連接層轉(zhuǎn)換為全卷積示意圖[11]
第1章緒論4圖1.2FCN“跳躍”結(jié)構(gòu)示意圖[11]DeepLab[19]是谷歌團隊在FCN的基礎上進行優(yōu)化的圖像分割方法，該文創(chuàng)新性的將Atrousconvolution（空洞卷積）與SSP（金字塔池化）結(jié)合提出了ASPP（空洞金字塔池化）應用到深度卷積模型上，既能改善下采樣后得到的特征圖過小的問題，又能適應多尺度目標。經(jīng)過ASPP池化層的特征圖下采樣了八倍，使用雙線性插值將其恢復到原圖的尺寸，這種方法簡單有效地替代了在稠密任務中的反卷積層，大大提高了運算速度，同時金字塔池化也解決了物體在多尺度圖像中狀態(tài)不同的問題，提高了分割網(wǎng)絡的魯棒性。其示意圖如下：圖1.3ASPP（空洞金字塔池化）示意圖[19]該文另一個創(chuàng)新點是結(jié)合了深度卷積神經(jīng)網(wǎng)絡（DCNNs）和概率圖模型（DenseCRFs）。由于目標分類需要空間不變，DCNN的空間準確性被限制，而DeepLab通過將DCNNs層的響應和完全連接的條件隨機場（CRFs）結(jié)合來解決該問題，結(jié)果顯示CRFs能夠產(chǎn)生準確的分割掩碼并能恢復目標邊緣的細節(jié)信息。FCN和Deeplab都是像素級別的語義分割網(wǎng)絡，通過預測圖像中的每個像素
第1章緒論4圖1.2FCN“跳躍”結(jié)構(gòu)示意圖[11]DeepLab[19]是谷歌團隊在FCN的基礎上進行優(yōu)化的圖像分割方法，該文創(chuàng)新性的將Atrousconvolution（空洞卷積）與SSP（金字塔池化）結(jié)合提出了ASPP（空洞金字塔池化）應用到深度卷積模型上，既能改善下采樣后得到的特征圖過小的問題，又能適應多尺度目標。經(jīng)過ASPP池化層的特征圖下采樣了八倍，使用雙線性插值將其恢復到原圖的尺寸，這種方法簡單有效地替代了在稠密任務中的反卷積層，大大提高了運算速度，同時金字塔池化也解決了物體在多尺度圖像中狀態(tài)不同的問題，提高了分割網(wǎng)絡的魯棒性。其示意圖如下：圖1.3ASPP（空洞金字塔池化）示意圖[19]該文另一個創(chuàng)新點是結(jié)合了深度卷積神經(jīng)網(wǎng)絡（DCNNs）和概率圖模型（DenseCRFs）。由于目標分類需要空間不變，DCNN的空間準確性被限制，而DeepLab通過將DCNNs層的響應和完全連接的條件隨機場（CRFs）結(jié)合來解決該問題，結(jié)果顯示CRFs能夠產(chǎn)生準確的分割掩碼并能恢復目標邊緣的細節(jié)信息。FCN和Deeplab都是像素級別的語義分割網(wǎng)絡，通過預測圖像中的每個像素
【參考文獻】：
期刊論文
[1]基于極速學習機的服裝搭配智能推薦系統(tǒng)設計[J]. 杜丹,張千惠. 中國科技信息. 2012(17)
碩士論文
[1]基于模糊粗集等價聚類的不確定性屬性約簡及其在服裝搭配上的應用[D]. 徐略輝.東華大學 2008
本文編號：3278647
本文鏈接：http://sikaile.net/kejilunwen/zidonghuakongzhilunwen/3278647.html
最近更新
教材專著
