基于卷积神经网络的服装图像检索技术研究
发布时间：2021-11-12 11:09
近年来互联网和电子商务得到了高速的发展,人们的购物方式逐渐从线下实体店转移到了线上网店,成为了主流的购物方式。其中,电子服装行业的线上交易量呈逐年增长趋势,为了满足消费者对服装的需求,电商平台需要不断增加的服装种类和数量,这将导致检索引擎准确地检索服装商品的难度越来越大。目前服装图像检索方法主要分为两种:基于文本的方法和基于图像内容的方法。基于文本方法的缺点:消费者与服装商家之间的文字描述可能不一致,存在个体理解上的差异,而且文字信息难以详尽的描述服装图像的内容。基于图像内容方法的缺点:传统图像内容的服装图像检索方法过分依赖对图像特征的取舍,需要研究人员有丰富的行业经验。因此,探索研究一种有效的服装图像检索方法具有实际意义,鉴于近年来深度学习在图像领域取得的突出成绩,本文提出了一种基于卷积神经网络的服装图像检索方法。本文经过调研总结当前服装图像检索研究现状的前提之下。首先针对服装图像深度卷积特征信息丰富度低导致检索效果差的问题,提出一种多尺度SE-Xception的网络模型,实验结果显示该模型在服装图像分类和检索任务中的效果均优于常用的CNN模型。本文检索主体框架借鉴了深度二进制哈希快...
【文章来源】：浙江理工大学浙江省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图２．〗服装图像检索基本过程??
浙江理工大学硕士学位论文?基于卷积神经网络的服装图像检索技术研究??要求高的图像检索任务中，同时，如果图像不清晰或边缘光滑会导致难以检测出关键点，??从而影响相似度的匹配，导致检索效果低下。??（３）?ＨＯＧ特征??ＨＯＧ特征是常见的局部不变特征描述子，能够用于检测物体的轮廓，对光线变化具有??较强鲁棒性，但不具备旋转、尺度不变性。ＨＯＧ特征通过计算图像中成块像素梯度方向直??方图提取特征，可以较好地描述物体外形，找出物体在图像中的位置，该特征适用范围偏??向于形状方向的图像分类和检索任务，对于有层次感、存在遮挡、噪声多的场景表现可能??不理想，例如识别杂物间中的服装。??具体实现过程是：首先将图像切分成多个局部区域，这种局部区域也常常称为细胞单??元，然后统计算每个细胞单元中像素点的梯度方向直方图，最后将所有细胞单元的直方图??组成为一个特征描述。细胞单元的ＨＯＧ梯度方向计算图解如２．２所示。??１?…：：：：．：??ｆＬ＾ｒ＼?！?＇：??．．．．＼?Ｌ?．??ｎ?二二；??ｉｒｉＷＭＷＭｉ?＇１１ＨＩＴ．ＺＺ２??Ｇｒａｄｔｍｎｌ?Ｄｉｍｄｔｏｎ??图２．２?ＨＯＧ梯度方向计算??（２）?ＳＵＲＦ?特征??ＳＵＲＦ特征是一种稳定的局部不变特征，也被称为加速鲁棒特征，２００６年首次由Ｈｅｒｂｅｒｔ??等人发表在欧洲计算机会议上。ＳＵＲＦ特征是ＳＩＦＴ特征的一种改进算法，当图像中ＳＩＦＴ??特征较多时，整个过程中的计算量变大、速度变慢，针对这个问题，作者借鉴ＳＩＦＴ特征??的设计思路，主要运用积分图和海森矩阵行列式提高特征点的检测计算速度，提升图像的??检索效率。??１４??
深特征越抽象，浅层特征提取了图像的低层信息，而中层特征和深层特征分别??提取了图像局部信息与高级语义信息。??２．３卷积神经网络基础理论??卷积神经网络通过模拟生物视觉机制来进行提取特征，其结构包含卷积层、池化层与??全连接层，其中卷积层和池化层是该网络的核心组件，适用于监督学习和非监督学习任务。??相比感知机，一方面ＣＮＮ网络的权值共享减少了模型权值数量，加快了网络训练；另一??方面权值共享机制可以有效降低模型的复杂度，减少了过拟合的风险，提高模型范化能力。??卷积神经网络结构如图２．３所示。??．「「ＩＶＨ??服装图像?卷积层?池化层?卷积层?池化层?全连接层??图２．３卷积神经网络模型结构??１５??
【参考文献】：
期刊论文
[1]融合多层卷积神经网络特征的快速图像检索方法[J]. 王志明,张航. 计算机辅助设计与图形学学报. 2019(08)
[2]基于标准化欧式距离的双向特征匹配算法研究[J]. 黄海波,聂祥飞,李晓玲,张月,熊文怡. 电脑与电信. 2018(11)
[3]一种基于加权颜色形状特征和LBP服装图像检索方法[J]. 葛俊,于威威. 现代计算机(专业版). 2018(19)
[4]基于深度卷积网络的特征融合图像检索方法[J]. 杨红菊,李尧. 山西大学学报(自然科学版). 2018(01)
[5]联合分割和特征匹配的服装图像检索[J]. 黄冬艳,刘骊,付晓东,黄青松. 计算机辅助设计与图形学学报. 2017(06)
[6]采用傅里叶描述子和支持向量机的服装款式识别方法[J]. 李东,万贤福,汪军. 纺织学报. 2017(05)
[7]基于度量学习的服装图像分类和检索[J]. 包青平,孙志锋. 计算机应用与软件. 2017(04)
[8]基于内容的服装检索系统中颜色特征提取算法的研究和改进[J]. 陈倩,潘中良. 激光杂志. 2016(04)
[9]基于视觉的服装属性分类算法[J]. 刘聪,丁贵广. 微电子学与计算机. 2016(01)
[10]基于支持向量机的面料图像情感语义识别[J]. 张海波,黄铁军,刘莉,赵野军,章江华. 天津工业大学学报. 2013(06)
硕士论文
[1]基于HOG和SVM的服装图像检索系统的设计与实现[D]. 董俊杰.中山大学 2014
本文编号：3490793
【文章来源】：浙江理工大学浙江省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
图２．〗服装图像检索基本过程??
浙江理工大学硕士学位论文?基于卷积神经网络的服装图像检索技术研究??要求高的图像检索任务中，同时，如果图像不清晰或边缘光滑会导致难以检测出关键点，??从而影响相似度的匹配，导致检索效果低下。??（３）?ＨＯＧ特征??ＨＯＧ特征是常见的局部不变特征描述子，能够用于检测物体的轮廓，对光线变化具有??较强鲁棒性，但不具备旋转、尺度不变性。ＨＯＧ特征通过计算图像中成块像素梯度方向直??方图提取特征，可以较好地描述物体外形，找出物体在图像中的位置，该特征适用范围偏??向于形状方向的图像分类和检索任务，对于有层次感、存在遮挡、噪声多的场景表现可能??不理想，例如识别杂物间中的服装。??具体实现过程是：首先将图像切分成多个局部区域，这种局部区域也常常称为细胞单??元，然后统计算每个细胞单元中像素点的梯度方向直方图，最后将所有细胞单元的直方图??组成为一个特征描述。细胞单元的ＨＯＧ梯度方向计算图解如２．２所示。??１?…：：：：．：??ｆＬ＾ｒ＼?！?＇：??．．．．＼?Ｌ?．??ｎ?二二；??ｉｒｉＷＭＷＭｉ?＇１１ＨＩＴ．ＺＺ２??Ｇｒａｄｔｍｎｌ?Ｄｉｍｄｔｏｎ??图２．２?ＨＯＧ梯度方向计算??（２）?ＳＵＲＦ?特征??ＳＵＲＦ特征是一种稳定的局部不变特征，也被称为加速鲁棒特征，２００６年首次由Ｈｅｒｂｅｒｔ??等人发表在欧洲计算机会议上。ＳＵＲＦ特征是ＳＩＦＴ特征的一种改进算法，当图像中ＳＩＦＴ??特征较多时，整个过程中的计算量变大、速度变慢，针对这个问题，作者借鉴ＳＩＦＴ特征??的设计思路，主要运用积分图和海森矩阵行列式提高特征点的检测计算速度，提升图像的??检索效率。??１４??
深特征越抽象，浅层特征提取了图像的低层信息，而中层特征和深层特征分别??提取了图像局部信息与高级语义信息。??２．３卷积神经网络基础理论??卷积神经网络通过模拟生物视觉机制来进行提取特征，其结构包含卷积层、池化层与??全连接层，其中卷积层和池化层是该网络的核心组件，适用于监督学习和非监督学习任务。??相比感知机，一方面ＣＮＮ网络的权值共享减少了模型权值数量，加快了网络训练；另一??方面权值共享机制可以有效降低模型的复杂度，减少了过拟合的风险，提高模型范化能力。??卷积神经网络结构如图２．３所示。??．「「ＩＶＨ??服装图像?卷积层?池化层?卷积层?池化层?全连接层??图２．３卷积神经网络模型结构??１５??
【参考文献】：
期刊论文
[1]融合多层卷积神经网络特征的快速图像检索方法[J]. 王志明,张航. 计算机辅助设计与图形学学报. 2019(08)
[2]基于标准化欧式距离的双向特征匹配算法研究[J]. 黄海波,聂祥飞,李晓玲,张月,熊文怡. 电脑与电信. 2018(11)
[3]一种基于加权颜色形状特征和LBP服装图像检索方法[J]. 葛俊,于威威. 现代计算机(专业版). 2018(19)
[4]基于深度卷积网络的特征融合图像检索方法[J]. 杨红菊,李尧. 山西大学学报(自然科学版). 2018(01)
[5]联合分割和特征匹配的服装图像检索[J]. 黄冬艳,刘骊,付晓东,黄青松. 计算机辅助设计与图形学学报. 2017(06)
[6]采用傅里叶描述子和支持向量机的服装款式识别方法[J]. 李东,万贤福,汪军. 纺织学报. 2017(05)
[7]基于度量学习的服装图像分类和检索[J]. 包青平,孙志锋. 计算机应用与软件. 2017(04)
[8]基于内容的服装检索系统中颜色特征提取算法的研究和改进[J]. 陈倩,潘中良. 激光杂志. 2016(04)
[9]基于视觉的服装属性分类算法[J]. 刘聪,丁贵广. 微电子学与计算机. 2016(01)
[10]基于支持向量机的面料图像情感语义识别[J]. 张海波,黄铁军,刘莉,赵野军,章江华. 天津工业大学学报. 2013(06)
硕士论文
[1]基于HOG和SVM的服装图像检索系统的设计与实现[D]. 董俊杰.中山大学 2014
本文编号：3490793
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3490793.html
最近更新
教材专著
