多尺度SE-Xception服装图像分类

发布时间：2021-07-23 13:47

　　应用当前较新颖且分类性能靠前的卷积神经网络Xception作为基础网络结构,尝试采用多尺度的深度可分离卷积来提升模型特征信息的丰富度,在模型中嵌入SE-Net模块增强有用特征通道,减弱无用特征通道.实验结果表明:提出的多尺度SE-Xception模型在2种噪声程度不同的服装数据集中均取得不错表现;ACS数据集的平均分类准确率为78.34%,分别高于VGG-16、ResNet-50和Xception模型8.52%、4.81%、3.69%;验证了多尺度SEXception模型具有更好的特征提取能力,能够提取到更多的服装信息,从而提高服装图像分类效果,一定程度上解决了特征尺度单一、信息丰富度低的问题. 

【文章来源】：浙江大学学报(工学版). 2020,54(09)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

Xception模型的主要网络模块示意图

深度可分离卷积的结构图

式中：Fex(*)为Excitation函数；W1、W2为学习后的全连接层权重；z为经过Squeeze后的特征向量；δ(*)为Relu激活函数；σ(*)为Sigmoid函数.3)Reweight特征重标定.将Excitation输出看作是经过自主学习后的特征权重，将特征权重与原特征图逐通道相乘加权，完成整个特征重标定过程，Reweight公式如下：

【参考文献】：
期刊论文
[1]款式特征描述符的服装图像细粒度分类方法[J]. 吴苗苗,刘骊,付晓东,刘利军,黄青松.  计算机辅助设计与图形学学报. 2019(05)
[2]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)
[3]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)
[4]基于深度卷积神经网络的服装图像分类检索算法[J]. 厉智,孙玉宝,王枫,刘青山.  计算机工程. 2016(11)



本文编号：3299405