基于卷积稀疏表示和卷积神经网络的商品图像分类

发布时间：2020-06-18 04:41

【摘要】：随着电子商务的蓬勃发展,网上购物已经成为一种大众的消费行为,图像作为传递商品信息的主要载体,成为了用户选购商品的重要媒介。各种购物网站上商品图像数量的猛增,为用户在海量的商品图像中挑选符合自己心意的商品增加了难度,因此提供一种高效的商品图像分类方法是用户的迫切需求,也是电子商务智能化发展的必然要求。近年来,基于卷积稀疏表示和卷积神经网络的分类方法在图像分类研究中应用广泛,已经成为图像处理和计算机视觉领域的研究热点。本文结合商品图像的特点,利用卷积稀疏表示和卷积神经网络实现对商品图像的准确分类,主要的工作内容如下:1.针对基于传统稀疏表示的商品图像分类方法中忽略了图像块之间的一致性问题,提出了一种基于卷积稀疏编码的商品图像分类方法。该方法可以直接输入二维图像进行训练学习卷积字典,并获得最优的稀疏特征图,充分考虑到了图像块之间的相似性,然后利用最大池化方法对图像的稀疏特征图进行降维处理,得到图像的最终特征向量,并采用支持向量机实现商品图像分类。实验结果表明,该方法提高了商品图像的分类准确率,具有一定的可行性。2.卷积神经网络在商品图像的分类上具有比较明显的效果,但它需要大量的标签数据来进行训练,因此本文采用了一种基于无监督卷积神经网络的商品图像分类方法。利用卷积稀疏编码算法对CNN模型进行预训练,实现商品图像的无监督特征学习,且利用跳层策略保证了最终提取到的特征由高层次的全局特征和低层次的局部特征组成,提高了特征的判别性和可靠性,结合Softmax分类器,更利于商品图像的分类。实验结果表明,采用跳层策略的卷积神经网络在商品图像分类问题上具有一定的优越性。
【学位授予单位】：重庆邮电大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：F274;TP391.41;TP183

【参考文献】