基于多任务深度学习网络的服装检测和搭配方法研究
发布时间：2021-07-11 18:46
随着服装电子商务的发展和大数据时代的来临,越来越多的线下服装商家开始在电子商务平台上销售服装,互联网上存储着海量的服装数据,用户对自身服装搭配也越来越重视。借助海量数据和算法为用户推荐服装搭配方案,以满足用户需求及提升用户的购买欲望,是服装电商平台提升用户体验和销量的重要手段。此外,现代社会中,人们将穿搭视为自己个性的表达,也更加注重自身服装搭配。因此研究服装搭配技术对电商平台和用户都有十分重要的意义。本文基于服装图像搭配的应用背景,将深度学习网络中的图像分割模型和时间序列模型应用到服装搭配上。主要完成以下工作:1.提出残差结构的递归融合模块,用以改进语义分割网络,能在减少网络参数的同时提高语义分割的精度。递归结构通过卷积核复用来减少卷积核参数量,残差结构缓解梯度传播困难,特征图融合结构将可视野大小不同的特征图融合到一起以提高分割精度。并将该模块应用于Mask RCNN实例分割网络的分割分支上,提高了Mask RCNN网络的分割性能。2.提出基于Bi-LSTM的服装搭配网络,共有三个模块组成。a)特征提取模块分别使用Inception V3提取服装图像的低层特征信息和Mask RCNN...
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
FCN将全连接层转换为全卷积示意图[11]
第1章绪论4图1.2FCN“跳跃”结构示意图[11]DeepLab[19]是谷歌团队在FCN的基础上进行优化的图像分割方法，该文创新性的将Atrousconvolution（空洞卷积）与SSP（金字塔池化）结合提出了ASPP（空洞金字塔池化）应用到深度卷积模型上，既能改善下采样后得到的特征图过小的问题，又能适应多尺度目标。经过ASPP池化层的特征图下采样了八倍，使用双线性插值将其恢复到原图的尺寸，这种方法简单有效地替代了在稠密任务中的反卷积层，大大提高了运算速度，同时金字塔池化也解决了物体在多尺度图像中状态不同的问题，提高了分割网络的鲁棒性。其示意图如下：图1.3ASPP（空洞金字塔池化）示意图[19]该文另一个创新点是结合了深度卷积神经网络（DCNNs）和概率图模型（DenseCRFs）。由于目标分类需要空间不变，DCNN的空间准确性被限制，而DeepLab通过将DCNNs层的响应和完全连接的条件随机场（CRFs）结合来解决该问题，结果显示CRFs能够产生准确的分割掩码并能恢复目标边缘的细节信息。FCN和Deeplab都是像素级别的语义分割网络，通过预测图像中的每个像素
第1章绪论4图1.2FCN“跳跃”结构示意图[11]DeepLab[19]是谷歌团队在FCN的基础上进行优化的图像分割方法，该文创新性的将Atrousconvolution（空洞卷积）与SSP（金字塔池化）结合提出了ASPP（空洞金字塔池化）应用到深度卷积模型上，既能改善下采样后得到的特征图过小的问题，又能适应多尺度目标。经过ASPP池化层的特征图下采样了八倍，使用双线性插值将其恢复到原图的尺寸，这种方法简单有效地替代了在稠密任务中的反卷积层，大大提高了运算速度，同时金字塔池化也解决了物体在多尺度图像中状态不同的问题，提高了分割网络的鲁棒性。其示意图如下：图1.3ASPP（空洞金字塔池化）示意图[19]该文另一个创新点是结合了深度卷积神经网络（DCNNs）和概率图模型（DenseCRFs）。由于目标分类需要空间不变，DCNN的空间准确性被限制，而DeepLab通过将DCNNs层的响应和完全连接的条件随机场（CRFs）结合来解决该问题，结果显示CRFs能够产生准确的分割掩码并能恢复目标边缘的细节信息。FCN和Deeplab都是像素级别的语义分割网络，通过预测图像中的每个像素
【参考文献】：
期刊论文
[1]基于极速学习机的服装搭配智能推荐系统设计[J]. 杜丹,张千惠. 中国科技信息. 2012(17)
硕士论文
[1]基于模糊粗集等价聚类的不确定性属性约简及其在服装搭配上的应用[D]. 徐略辉.东华大学 2008
本文编号：3278647
【文章来源】：东华大学上海市 211工程院校 教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
FCN将全连接层转换为全卷积示意图[11]
第1章绪论4图1.2FCN“跳跃”结构示意图[11]DeepLab[19]是谷歌团队在FCN的基础上进行优化的图像分割方法，该文创新性的将Atrousconvolution（空洞卷积）与SSP（金字塔池化）结合提出了ASPP（空洞金字塔池化）应用到深度卷积模型上，既能改善下采样后得到的特征图过小的问题，又能适应多尺度目标。经过ASPP池化层的特征图下采样了八倍，使用双线性插值将其恢复到原图的尺寸，这种方法简单有效地替代了在稠密任务中的反卷积层，大大提高了运算速度，同时金字塔池化也解决了物体在多尺度图像中状态不同的问题，提高了分割网络的鲁棒性。其示意图如下：图1.3ASPP（空洞金字塔池化）示意图[19]该文另一个创新点是结合了深度卷积神经网络（DCNNs）和概率图模型（DenseCRFs）。由于目标分类需要空间不变，DCNN的空间准确性被限制，而DeepLab通过将DCNNs层的响应和完全连接的条件随机场（CRFs）结合来解决该问题，结果显示CRFs能够产生准确的分割掩码并能恢复目标边缘的细节信息。FCN和Deeplab都是像素级别的语义分割网络，通过预测图像中的每个像素
第1章绪论4图1.2FCN“跳跃”结构示意图[11]DeepLab[19]是谷歌团队在FCN的基础上进行优化的图像分割方法，该文创新性的将Atrousconvolution（空洞卷积）与SSP（金字塔池化）结合提出了ASPP（空洞金字塔池化）应用到深度卷积模型上，既能改善下采样后得到的特征图过小的问题，又能适应多尺度目标。经过ASPP池化层的特征图下采样了八倍，使用双线性插值将其恢复到原图的尺寸，这种方法简单有效地替代了在稠密任务中的反卷积层，大大提高了运算速度，同时金字塔池化也解决了物体在多尺度图像中状态不同的问题，提高了分割网络的鲁棒性。其示意图如下：图1.3ASPP（空洞金字塔池化）示意图[19]该文另一个创新点是结合了深度卷积神经网络（DCNNs）和概率图模型（DenseCRFs）。由于目标分类需要空间不变，DCNN的空间准确性被限制，而DeepLab通过将DCNNs层的响应和完全连接的条件随机场（CRFs）结合来解决该问题，结果显示CRFs能够产生准确的分割掩码并能恢复目标边缘的细节信息。FCN和Deeplab都是像素级别的语义分割网络，通过预测图像中的每个像素
【参考文献】：
期刊论文
[1]基于极速学习机的服装搭配智能推荐系统设计[J]. 杜丹,张千惠. 中国科技信息. 2012(17)
硕士论文
[1]基于模糊粗集等价聚类的不确定性属性约简及其在服装搭配上的应用[D]. 徐略辉.东华大学 2008
本文编号：3278647
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3278647.html
