深度學習作為人工智能的基礎,應用領域十分廣泛,尤其是卷積神經(jīng)網(wǎng)絡,在計算機視覺等領域取得了顯著研究成果。為了適應現(xiàn)實生活場景,深度學習任務形式逐漸由單任務形式轉(zhuǎn)變?yōu)槎嗳蝿招问�。有效的多任務深度學習模型,可以利用多個任務間的信息共通性和差異性來提高某個或某幾個任務的性能,對其進行深入研究有助于促進各個領域的發(fā)展。隨著電子商務市場日益壯大,商品越來越多樣化,給平臺、商家對商品進行快速準確的信息標注帶來了巨大挑戰(zhàn),結(jié)合屬性預測、類別分類等任務的多任務商品圖像分類技術(shù)應運而生。有效的多任務商品圖像分類模型,可以為商品圖像類別標簽標注、商品檢索、商品智能推薦等服務提供技術(shù)支撐。本文以構(gòu)建一個面向商品圖像分類的多任務深度學習模型為目標,重點研究卷積網(wǎng)絡特征遷移策略制定以及多任務參數(shù)共享機制改進兩方面內(nèi)容:（1）大部分卷積網(wǎng)絡遷移學習研究中僅將預訓練模型用作特征提取器,缺乏對預訓練模型的精細化研究,針對這一不足,本文首先構(gòu)建一個面向多任務商品圖像分類的卷積網(wǎng)絡特征遷移基礎模型,將常用的VGG16、InceptionV3、.ResNet50三種預訓練模型瓶頸層前網(wǎng)絡及參數(shù)代入到基礎模型中,整體考察三種... 

【文章頁數(shù)】：85 頁

【學位級別】：碩士

【部分圖文】：

圖２．?１卷積神經(jīng)網(wǎng)絡基本流程圖??Ｆｉｇ．?２．１?Ｂａｓｉｃ?ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??

圖２．?２二維卷積操作示例??Ｆｉｇ．?２．２?ｔｈｅ?ｏｐｅｒａｔｉｏｎ?ｏｆ?ｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌ?ｃｏｎｖｏｌｕｔｉｏｎ??－１３?－??

圖３．１中分別是一張服裝商品圖像以及一張汽車圖搶經(jīng)過ＶＱＧ１６預訓練神經(jīng)網(wǎng)??絡模型作用后，?

【參考文獻】：
期刊論文
[1]基于多任務學習的人臉屬性識別方法[J]. 李亞,張雨楠,彭程,楊俊欽,劉淼.  計算機工程. 2020(03)
[2]基于多任務聯(lián)合稀疏表示的高光譜圖像分類算法[J]. 賈立麗,張升偉,何杰穎,李娜.  微電子學與計算機. 2019(10)
[3]MTCNN的優(yōu)化及其在道路車輛檢測中的應用[J]. 劉云霄,王敬東,黃雨秋,趙若辰.  光電子技術(shù). 2019(03)
[4]基于目標檢測算法的FashionAI服裝屬性識別[J]. 陳亞亞,孟朝暉.  計算機系統(tǒng)應用. 2019(08)
[5]基于多任務學習的多模態(tài)情緒識別方法[J]. 吳良慶,張棟,李壽山,陳瑛.  計算機科學. 2019(11)
[6]多任務學習[J]. 張鈺,劉建偉,左信.  計算機學報. 2020(07)
[7]基于深度多任務學習的層次分類[J]. 趙其魯,李宗民.  計算機輔助設計與圖形學學報. 2018(05)
[8]基于殘差的優(yōu)化卷積神經(jīng)網(wǎng)絡服裝分類算法[J]. 張振煥,周彩蘭,梁媛.  計算機工程與科學. 2018(02)
[9]An overview of multi-task learning[J]. Yu Zhang,Qiang Yang.  National Science Review. 2018(01)
[10]基于多任務深度卷積神經(jīng)網(wǎng)絡的顯著性對象檢測算法[J]. 楊帆,李建平,李鑫,陳雷霆.  計算機應用. 2018(01)



本文編號：3727485