基于图像检索的商品识别算法研发及应用

发布时间：2021-04-06 19:01

　　商品识别技术是现代零售业的核心技术之一。相比于传统商品识别方法,基于计算机视觉的商品识别具有快速、准确、成本低等优势,有广泛的应用前景。现阶段大多数商品图像识别算法主要基于图像分类网络,在实际应用中存在商品类别无法灵活更改、商品类别数量受限以及缺乏类别泛化能力等问题。为了快速准确地识别商品,同时避免以上问题,本文研发了基于图像检索的商品识别算法,具有较高的工程应用价值。本文研发的商品识别算法分为特征提取和特征匹配两步。首先研发了基于度量学习的特征提取网络,采用预训练的骨干网络从商品图像中提取丰富的全局信息,由特征提取模块映射成特征向量输出。改进三元组损失监督特征提取过程,加强了特征的区分性,同时添加分类监督使网络训练更快更稳定。在此基础上研发了基于多分支结构的特征提取网络,设计多分支结构将骨干网络提取的全局特征先拆分再映射,以编码不同的图像信息到多个特征向量。联合多个特征向量进行特征匹配,提升了算法的鲁棒性与精度。之后本文研发了特征匹配算法,该算法结合特征的余弦相似度计算和排序,将查询商品与注册商品进行匹配,得到商品识别结果。在100类商品的36995张图片上测试,基于度量学习的模型识... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：91 页

【学位级别】：硕士

【部分图文】：

图１－１手机商品识别系统工作原理图??

浙江大学硕士专业学位论文?相关技术概述??特征图??／?？?…．．、?＼??Ｈｉ?；?？?＼?ｉ?１，?？?Ｌ＾—．?＼?、、、、??ｆ?ｆ?ｊ?＇?‘?．｛＾Ｊ４－ｐ?＇Ｔｆｐ－－?－?＼??—？?＊?？?？?－ｔ二二－．二二二二一?？？?？???—－－？?＊?＊＊?１??？?１?厶：、?一?Ｉ?＇！?？：：？；；：?－?，??全连接??卷积层?池化层?卷积层?池化层?各嗱唼??图２－１?ＬｅＮｅｔ－５网络架构??池化层又称降采样层，一般在网络中两个卷积层或模块之间使用，如图２－１??所示。池化层通过在特征图上滑动池化窗口，选取固定大小的特征图区域计算极??值或均值等统计信息代替原始区域，输出尺寸成倍减小的特征图。池化层不仅能??降低特征图的空间维度和减少网络计算量，而且能够增强卷积神经网络的平移不??变性（Ｔｒａｎｓｌａｔｉｏｎ?Ｉｎｖａｒｉａｎｔ），这一点对于图像分类任务尤其重要。此夕卜，引入池??化层可以显著降低网络过拟合的风险。??全连接层一般应用在网络最后，通过单层或多层全连接将网络学习的特征表??示（Ｆｅａｔｕｒｅ?Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）映射到训练样本标记空间，作用类似于传统图像分??类算法中的机器学习分类器。全连接层的输出单元数量代表分类的类别数量，在??搭建网络时确定，每个输出单元对应的类别标签从训练样本中学得。在分类网络??中，全连接层的输入是高维特征向量，输出是该特征在各个类别的得分，该值越??大，说明输入图像属于该类别的概率越大。??０＾．?辦??？ｉ；?■??．．．．；：类别２??轉叫雙??｜?［类另“丨??图２－２全连

浙江大学硕士专业学位论文?相关技术概述??特征图??／?？?…．．、?＼??Ｈｉ?；?？?＼?ｉ?１，?？?Ｌ＾—．?＼?、、、、??ｆ?ｆ?ｊ?＇?‘?．｛＾Ｊ４－ｐ?＇Ｔｆｐ－－?－?＼??—？?＊?？?？?－ｔ二二－．二二二二一?？？?？???—－－？?＊?＊＊?１??？?１?厶：、?一?Ｉ?＇！?？：：？；；：?－?，??全连接??卷积层?池化层?卷积层?池化层?各嗱唼??图２－１?ＬｅＮｅｔ－５网络架构??池化层又称降采样层，一般在网络中两个卷积层或模块之间使用，如图２－１??所示。池化层通过在特征图上滑动池化窗口，选取固定大小的特征图区域计算极??值或均值等统计信息代替原始区域，输出尺寸成倍减小的特征图。池化层不仅能??降低特征图的空间维度和减少网络计算量，而且能够增强卷积神经网络的平移不??变性（Ｔｒａｎｓｌａｔｉｏｎ?Ｉｎｖａｒｉａｎｔ），这一点对于图像分类任务尤其重要。此夕卜，引入池??化层可以显著降低网络过拟合的风险。??全连接层一般应用在网络最后，通过单层或多层全连接将网络学习的特征表??示（Ｆｅａｔｕｒｅ?Ｒｅｐｒｅｓｅｎｔａｔｉｏｎ）映射到训练样本标记空间，作用类似于传统图像分??类算法中的机器学习分类器。全连接层的输出单元数量代表分类的类别数量，在??搭建网络时确定，每个输出单元对应的类别标签从训练样本中学得。在分类网络??中，全连接层的输入是高维特征向量，输出是该特征在各个类别的得分，该值越??大，说明输入图像属于该类别的概率越大。??０＾．?辦??？ｉ；?■??．．．．；：类别２??轉叫雙??｜?［类另“丨??图２－２全连


本文编号：3121958