基于卷积神经网络的服装图像精细分类
发布时间：2021-08-29 10:07
目前购物网站的图像检索方式多是基于文本关键字的。商家将商品的名称、尺寸和价格等信息通过关键字标注出来,这种标注方法工作量大而且难以描述出商品的全部特征。虽然有的学者利用深度学习网络对商品图像进行分类,但是由于样本数量小,特征识别效果不好等原因导致分类准确率并不高。本文利用卷积神经网络提出了基于图像本身的特征提取和分类方法,所做的主要工作如下:（1）总结了国内外有关图像分类领域的研究现状和方法。通过阅读大量的与图像分类相关的文献,分析了目前图像分类方法的问题和局限性。同时对这些方法进行相应的总结和比对,最后确立了本课题的研究方向和方法。（2）介绍了深度学习的相关基础理论。详述了深度学习领域的常用网络模型,包括深度自编码神经网络、深度置信网络、受限玻尔兹曼机以及卷积神经网络。概述了卷积神经网络的相关基础理论和常用网络模块,包括卷积层、池化层、激活函数、Softmax分类器、归一化和Dropout策略等。提出了通过计算每一个卷积层的卷积核容量和覆盖率来评估网络分类效果的方法。最后介绍了深度学习框架Caffe,配置编译并运行了Minist和Cifar-10标准数据集。（3）设计了一个深层的卷积...
【文章来源】：山东师范大学山东省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
基于文本标注的商品图像检索
山东师范大学硕士学位论文类[3]是指对图像所反映出来的不同特征的信息进行一系列的数学运中的每个像素或区域进行分析从而得到图像的特征表达，进而划类别的分类问题。图像分类包括三个部分：图像中感兴趣区域的和分类器模块。理中的感兴趣区域（Region of Interest, ROI）是指用方框或多边形区域，通常是利用 Matlab 或者 OpenCV 等图像处理软件中的函数兴趣区域是后续图像处理的重点，选取感兴趣区域能够减少图像同时滤除背景、图像噪声等干扰，提高图像分类的准确率。图 1-中的待处理图片感兴趣区域的示例图，红色方框框出待训练服景干扰便于提高训练准确率。
[30]在《Science》杂志上首次发表文章提通过抽象的神经网络(Neural Network, NN制模拟从而实现对文本、语音和图像的抽学习框架下进行最终整合。络结构特点能够有效地处理和分析复杂的器，在低层网络检测数据的简单特征，反度学习算法的主要核心思想是通过多个非表达。也即把第 N 层的输出作为第 N+行分层表达。通常深度学习网络的隐藏层深度，图 2-1 所示为深度学习网络模型
【参考文献】：
期刊论文
[1]基于卷积神经网络的图像分类研究[J]. 杨莹,张海仙. 现代计算机(专业版). 2016(05)
[2]基于稀疏自编码深度神经网络的林火图像分类[J]. 王勇,赵俭辉,章登义,叶威. 计算机工程与应用. 2014(24)
[3]基于深度学习的电子病历中实体关系抽取[J]. 吴嘉伟,关毅,吕新波. 智能计算机与应用. 2014(03)
[4]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
[5]玻尔兹曼机研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机研究与发展. 2014(01)
[6]基于类词包技术的图像分类算法[J]. 贾世杰,邹娟,王茹香. 化工自动化及仪表. 2012(11)
[7]基于主动学习和半监督学习的多类图像分类[J]. 陈荣,曹永锋,孙洪. 自动化学报. 2011(08)
[8]基于互补特征和类描述的商品图像自动分类[J]. 贾世杰,孔祥维,付海燕,金光. 电子与信息学报. 2010(10)
博士论文
[1]基于空间关系的图像检索与分类研究[D]. 杨同峰.山东大学 2013
硕士论文
[1]基于内容的商品图像分类技术研究[D]. 杨楠.大连理工大学 2011
本文编号：3370454
【文章来源】：山东师范大学山东省
【文章页数】：58 页
【学位级别】：硕士
【部分图文】：
基于文本标注的商品图像检索
山东师范大学硕士学位论文类[3]是指对图像所反映出来的不同特征的信息进行一系列的数学运中的每个像素或区域进行分析从而得到图像的特征表达，进而划类别的分类问题。图像分类包括三个部分：图像中感兴趣区域的和分类器模块。理中的感兴趣区域（Region of Interest, ROI）是指用方框或多边形区域，通常是利用 Matlab 或者 OpenCV 等图像处理软件中的函数兴趣区域是后续图像处理的重点，选取感兴趣区域能够减少图像同时滤除背景、图像噪声等干扰，提高图像分类的准确率。图 1-中的待处理图片感兴趣区域的示例图，红色方框框出待训练服景干扰便于提高训练准确率。
[30]在《Science》杂志上首次发表文章提通过抽象的神经网络(Neural Network, NN制模拟从而实现对文本、语音和图像的抽学习框架下进行最终整合。络结构特点能够有效地处理和分析复杂的器，在低层网络检测数据的简单特征，反度学习算法的主要核心思想是通过多个非表达。也即把第 N 层的输出作为第 N+行分层表达。通常深度学习网络的隐藏层深度，图 2-1 所示为深度学习网络模型
【参考文献】：
期刊论文
[1]基于卷积神经网络的图像分类研究[J]. 杨莹,张海仙. 现代计算机(专业版). 2016(05)
[2]基于稀疏自编码深度神经网络的林火图像分类[J]. 王勇,赵俭辉,章登义,叶威. 计算机工程与应用. 2014(24)
[3]基于深度学习的电子病历中实体关系抽取[J]. 吴嘉伟,关毅,吕新波. 智能计算机与应用. 2014(03)
[4]深度学习研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机应用研究. 2014(07)
[5]玻尔兹曼机研究进展[J]. 刘建伟,刘媛,罗雄麟. 计算机研究与发展. 2014(01)
[6]基于类词包技术的图像分类算法[J]. 贾世杰,邹娟,王茹香. 化工自动化及仪表. 2012(11)
[7]基于主动学习和半监督学习的多类图像分类[J]. 陈荣,曹永锋,孙洪. 自动化学报. 2011(08)
[8]基于互补特征和类描述的商品图像自动分类[J]. 贾世杰,孔祥维,付海燕,金光. 电子与信息学报. 2010(10)
博士论文
[1]基于空间关系的图像检索与分类研究[D]. 杨同峰.山东大学 2013
硕士论文
[1]基于内容的商品图像分类技术研究[D]. 杨楠.大连理工大学 2011
本文编号：3370454
本文链接：https://www.wllwen.com/projectlw/qgylw/3370454.html
