基于卷积神经网络的多任务深度学习商品图像分类方法

发布时间：2023-01-03 19:55

　　深度学习作为人工智能的基础,应用领域十分广泛,尤其是卷积神经网络,在计算机视觉等领域取得了显著研究成果。为了适应现实生活场景,深度学习任务形式逐渐由单任务形式转变为多任务形式。有效的多任务深度学习模型,可以利用多个任务间的信息共通性和差异性来提高某个或某几个任务的性能,对其进行深入研究有助于促进各个领域的发展。随着电子商务市场日益壮大,商品越来越多样化,给平台、商家对商品进行快速准确的信息标注带来了巨大挑战,结合属性预测、类别分类等任务的多任务商品图像分类技术应运而生。有效的多任务商品图像分类模型,可以为商品图像类别标签标注、商品检索、商品智能推荐等服务提供技术支撑。本文以构建一个面向商品图像分类的多任务深度学习模型为目标,重点研究卷积网络特征迁移策略制定以及多任务参数共享机制改进两方面内容:（1）大部分卷积网络迁移学习研究中仅将预训练模型用作特征提取器,缺乏对预训练模型的精细化研究,针对这一不足,本文首先构建一个面向多任务商品图像分类的卷积网络特征迁移基础模型,将常用的VGG16、InceptionV3、.ResNet50三种预训练模型瓶颈层前网络及参数代入到基础模型中,整体考察三种... 

【文章页数】：85 页

【学位级别】：硕士

【部分图文】：

图２．?１卷积神经网络基本流程图??Ｆｉｇ．?２．１?Ｂａｓｉｃ?ｆｌｏｗ?ｃｈａｒｔ?ｏｆ?ｃｏｎｖｏｌｕｔｉｏｎａｌ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ??

图２．?２二维卷积操作示例??Ｆｉｇ．?２．２?ｔｈｅ?ｏｐｅｒａｔｉｏｎ?ｏｆ?ｔｗｏ－ｄｉｍｅｎｓｉｏｎａｌ?ｃｏｎｖｏｌｕｔｉｏｎ??－１３?－??

图３．１中分别是一张服装商品图像以及一张汽车图搶经过ＶＱＧ１６预训练神经网??络模型作用后，?

【参考文献】：
期刊论文
[1]基于多任务学习的人脸属性识别方法[J]. 李亚,张雨楠,彭程,杨俊钦,刘淼.  计算机工程. 2020(03)
[2]基于多任务联合稀疏表示的高光谱图像分类算法[J]. 贾立丽,张升伟,何杰颖,李娜.  微电子学与计算机. 2019(10)
[3]MTCNN的优化及其在道路车辆检测中的应用[J]. 刘云霄,王敬东,黄雨秋,赵若辰.  光电子技术. 2019(03)
[4]基于目标检测算法的FashionAI服装属性识别[J]. 陈亚亚,孟朝晖.  计算机系统应用. 2019(08)
[5]基于多任务学习的多模态情绪识别方法[J]. 吴良庆,张栋,李寿山,陈瑛.  计算机科学. 2019(11)
[6]多任务学习[J]. 张钰,刘建伟,左信.  计算机学报. 2020(07)
[7]基于深度多任务学习的层次分类[J]. 赵其鲁,李宗民.  计算机辅助设计与图形学学报. 2018(05)
[8]基于残差的优化卷积神经网络服装分类算法[J]. 张振焕,周彩兰,梁媛.  计算机工程与科学. 2018(02)
[9]An overview of multi-task learning[J]. Yu Zhang,Qiang Yang.  National Science Review. 2018(01)
[10]基于多任务深度卷积神经网络的显著性对象检测算法[J]. 杨帆,李建平,李鑫,陈雷霆.  计算机应用. 2018(01)



本文编号：3727485