【摘要】：隨著人工智能不斷發(fā)展,電商平臺的出現(xiàn)引起了人們互聯(lián)網(wǎng)在線購買服裝的熱潮,為了更好的滿足消費者的需求,電商平臺在不斷增加服裝種類同時需要完善服裝的分類信息。服裝在線交易量與日俱增,服裝的分類精準不僅有利于快速搜索到目標服裝,而且可以在較相似的服裝款式中比較其他因素找到性價比最好的,所以對于網(wǎng)上海量的服裝數(shù)據(jù)集研究一種快速分類且準確率高的方法非常重要。傳統(tǒng)的方法對海量服裝圖片分類需先進行人工標注,然后根據(jù)圖片的標簽進行語義分類,這種方法消耗人力多且時間長,效率較低。隨著深度學習技術(shù)出現(xiàn),神經(jīng)網(wǎng)絡(luò)機器自主學習對圖像分類的效率有了很大提升。本課題基于多層卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)對服裝圖像進行分類和檢索做了如下工作:(1)采用通用爬蟲方法爬取電商APP中的服裝圖片和視頻數(shù)據(jù)集,對男裝和女裝主要的衣服類別選擇有代表性的分類。圖片分類利用深度學習框架Caffe及常用網(wǎng)絡(luò)模型AlexNet、VGG-16、GoogleNet三種,調(diào)整損失函數(shù)及其他各個參數(shù)看其最大分類準確率。(2)本設(shè)計首次提出對服裝視頻進行分類,比較不同抽幀方式對分類結(jié)果的影響,對服裝圖像分類有很重要的研究意義。(3)本課題設(shè)計搭建一個網(wǎng)頁檢索系統(tǒng),建立以圖搜圖檢索界面,利用Js語言和Html框架編寫前端網(wǎng)頁,后端網(wǎng)頁的框架是Flask,利用CNN層中倒數(shù)第二層全連接層作為圖片的特征向量來建立特征庫。采用余弦距離算法計算輸入圖片向量與特征庫數(shù)據(jù)集中向量的距離,距離越小則圖片相似度越高,檢索結(jié)果返回前20個相似度較高的圖片。
【圖文】：

內(nèi)蒙古大學碩士學位論文第一章 緒論1.1 課題研究背景及意義中國電子商務(wù)研究中心發(fā)布報告中[1]，可以看出網(wǎng)購市場正在擴大商品類長的消費者需求，其中服裝行業(yè)商品一直保持領(lǐng)先地位，服裝業(yè)成為了我抹亮色。通過交易數(shù)據(jù)顯示出我國的服裝市場增速有下降趨勢，而從整體形勢。隨著生活水平的提高，，我國服裝品牌的規(guī)模及數(shù)量在不斷增加，現(xiàn)設(shè)的新時期。如圖 1.1 所示的條形圖和折線趨勢中可以看出服裝行業(yè)近幾

研究人員在 20 世紀 50 年代初步研究神經(jīng)網(wǎng)絡(luò)核心思想，但這種方法在多年后才被使用一段時間，沒有有效的方法來訓練數(shù)據(jù)量較大的神經(jīng)網(wǎng)絡(luò)，在 20 世紀 80 年代中期，研進行研究并實現(xiàn)了反向傳播算法。貝爾實驗室于 1989 年首次成功實現(xiàn)了神經(jīng)網(wǎng)絡(luò)的實際，當時 Yann LeCun 將 CNN 的早期思想與反向傳播算法結(jié)合起來，并將其應(yīng)用于手寫數(shù)類問題，將該網(wǎng)絡(luò)命名為 LeNet 網(wǎng)絡(luò)，該網(wǎng)絡(luò)在 20 世紀 90 年代被美國郵政局采用，用動讀取信封上的郵政編碼[23]。下面介紹兩種傳統(tǒng)神經(jīng)網(wǎng)絡(luò)分類方法。 KNN 近鄰算法最初的算法分類器是將訓練所得到對應(yīng)類別都記下來，當輸入一個測試對象時如果與訓的某一屬性相匹配時，則可對該對象分類。每一個測試對象不僅僅只和一個訓練類別對配，有時測試對象可能和多個訓練對象匹配，由于這種多分類的問題，研究產(chǎn)生 KN算法。
【學位授予單位】：內(nèi)蒙古大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.41;TP183;TS941.2

【相似文獻】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點預(yù)測法[J];金融經(jīng)濟;2017年18期

2 陳曉燕;;淺析簡單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會述評[J];國際學術(shù)動態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學;2019年04期

8 鮑偉強;陳娟;熊濤;;基于進化神經(jīng)網(wǎng)絡(luò)的短期電力負荷預(yù)測研究[J];電工技術(shù);2019年11期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

10 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

相關(guān)會議論文 前10條

1 孫軍田;張U

本文編號：2627396