近年來隨著人工智能技術(shù)和智能設備的快速發(fā)展,衣物識別、衣物檢測、衣物推薦、虛擬換衣等技術(shù)越來越受到人們的喜歡。由于這些衣物識別與檢測等技術(shù)容易受人物姿勢、衣物的大小、衣物背景、衣物之間的遮擋的影響,探索出一種實用性強、魯棒性好和準確率高的算法具有一定挑戰(zhàn)。怎樣解決衣物這些難點,如何從機器學習中創(chuàng)造出一種適合衣物應用模型,已經(jīng)成為機器學習、圖像處理和識別、模式識別的一個熱門問題。本章針對衣物類型識別、衣物屬性分類以及衣物檢測問題進行了研究,主要完成了如下工作:1.提出了基于軟非極大抑值的多尺度網(wǎng)絡的衣物檢測。該算法對于衣物檢測存在檢測框容易重疊、小衣物部件較難檢測等問題,通過多尺度網(wǎng)絡提取訓練好的ResNet特征,輸入到5個RPN(Region Proposal Networks)網(wǎng)絡中并產(chǎn)生大量檢測框,接著用軟非極大抑值篩選適合衣物框,再將檢測框映射到ResNet的特征中,最后使用多任務的分類器對衣物類別進行識別和邊框的回歸。實驗表明,提出的算法MAP達到95.2%,12種類型的召回率都有較好的表現(xiàn)。2.提出了簡單跨層inception-v4算法的衣物屬性分類。該算法針對衣物26類衣物...

【文章頁數(shù)】：71 頁

【學位級別】：碩士

【部分圖文】：

圖2.2BN實現(xiàn)過程

圖2.1inception-v1核心模塊inception-v2是inception-v1的改進版本，該網(wǎng)絡繼承了這種多尺度的連接方式，有選擇用全連接層的用于特征圖的推斷，直接使用了簡單的全卷積層替代。tion-v2的創(chuàng)新點在于：1）網(wǎng)絡使用BN(BatchNo....

圖2.3inception-v3和inception-v4中關(guān)鍵組成部分

卷積核的大小降低參數(shù)的計算量。同時當輸入的特征圖的大小為1分解方案，當輸入的特征圖的大小為35x35時，則按照圖1.4（入的特征圖的大小為8x8時，則按照圖1.4（c）進行卷積分解。高效減尺寸的方法，如圖1.4(d)，該模塊將pool層與其他卷積層并達瓶頸，使....

圖2.4簡單的殘差網(wǎng)絡假設殘差模塊的輸入lx，輸出為l1x+，中間的卷積層和激活層用(,)

也是ResNet網(wǎng)絡中的shortcut。右邊的1x1和3x3的卷積層構(gòu)on模塊，所以與普通的inception模塊相比，inception-ResNet-v1的模t。該模塊只是當輸入的特征圖的大小是8x8的情況，其他情況如inceesNet網(wǎng)絡增加....

圖2.5普通卷積層運算方式

圖2.5普通卷積層運算方式的卷積層的運算方式，并且輸入的圖像是二維圖像11,,,00ijmnimjnbmnawxw+++圖像的第i和第j列的權(quán)重，bw表示濾波器的偏置項j+m列的元素。為了增強網(wǎng)絡的非線性表達能力，常用的....

本文編號：3892899