基于多任务卷积神经网络的服装图像分类与检索

摘要

随着互联网电商的高速发展，服装的在线交易量与日俱增，服装图像在交易中的重要性也随之增加。但服装类别繁多且分类标准不一，消费者与电商商家对服装的类别描述难以统一，易导致较差的购衣体验。因此，如何将服装图像进行有效地识别是一个十分有意义的课题。近年来深度卷积神经网络在计算机视觉领域有着优异表现，本文旨在使用相关技术对服装图像识别进行研究，并将服装图像识别分成了检测、分类、检索三个任务。并完成了以下工作:
　　首先，为了提高深度卷积神经网络的运算效率及训练收敛速度，通过对经典模型分析，对其进行调优，提出了一个更加轻量的深度卷积神经网络模型(Lighten-VGGNet)。并将其作为骨干网络为服装图像的检测、分类、检索任务做支撑。其次，本文针对服装图像数据的特点，改进了两个的基于深度学习的服装检测方法，可以根据不同的场景需求而选择使用。然后，针对服装分类中存在的服装类别粒度过大问题，本文提出了一种新的层次化标注策略，以细化服装分类。且基于此策略，采用多任务分类方法对层次化标注后的服装图像数据分类，在不大幅度增加网络模型训练开销的情况下，提升了服装图像分类的准确率，并使得分类网络提取的特征具备对多种细化服装类别属性的表达能力。
　　最后，在服装图像检索阶段，基于层次化多任务分类网络提取出的特征，利用空间距离方法进行服装图像检索。本文通过研究服装图像检测、分类、检索方法，为服装图像识别的应用场景提供了基础支撑。

目录

声明

摘要

第一章 绪论

1．1 研究背景与意义

1．2 国内外研究现状

1．2．1 传统方法

1．2．2 深度学习

1．3 全文研究内容

2．1 概述

2．2 深度卷积神经网络的结构

2．2．1 卷积运算

2．2．2 池化运算

2．2．3 激活函数

2．2．4 全连接与预测模型

2．2．5 误差最小化

2．2．6 归一化

2．3 本章小结

第三章 服装图像的检测、分类、检索方法研究

3．1 Lighten-VGGNet网络结构设计

3．2 服装图像检测方法研究

3．2．1 改进Faster-RCNN的服装检测方法研究

3．2．2 改进SSD的服装图像检测方法研究

3．2．3 改进SSD与改进Faster-RCNN的使用原则

3．3 基于多任务卷积神经网络的服装图像分类方法研究

3．3．1 服装图像层次化标注策略研究

3．3．2 基于层次化多任务的服装分类模型研究

3．4 服装图像检索方法研究

3．5 本章小结

第四章 服装图像的检测、分类、检索方法验证及应用

4．1 服装图像数据

4．1．1 数据获取

4．1．2 数据预处理与IO

4．2 服装图像的检测、分类、检索方法验证

4．2．1 架构设计

4．2．2 Lighten-VGGNet网络验证

4．2．3 服装图像检测方法验证

4．2．4 服装图像分类方法验证

4．2．5 服装图像检索方法验证

4．3 服装图像的检测、分类、检索方法应用

4．4 本章小结

第五章 总结与展望

5．1 总结

5．2 展望

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介