發(fā)布時(shí)間：2025-01-04 07:14

　　目前大多數(shù)服裝電子商務(wù)平臺(tái)的服飾檢索技術(shù)依然是基于關(guān)鍵字的搜索方式,這種技術(shù)往往不能反饋給用戶喜歡的結(jié)果,而基于內(nèi)容的圖片檢索方式又稱以圖搜圖,會(huì)給用戶搜索服裝帶來(lái)極大的便利。以圖搜圖目前存在很多問(wèn)題需要解決:服裝種類繁多且許多類別之間的差異很小;在使用以圖搜圖時(shí),用戶輸入的服裝圖片背景復(fù)雜;大多數(shù)服裝數(shù)據(jù)集存在多類數(shù)據(jù)分布不平衡,這些問(wèn)題給服裝分類模型的訓(xùn)練帶來(lái)很大困擾。本文對(duì)不平衡服裝數(shù)據(jù)集中的服裝圖片的分類和目標(biāo)檢測(cè)進(jìn)行了研究。本文主要工作如下:(1)針對(duì)常用的淺層模型VGG16和AlexNet在多類別數(shù)據(jù)集上分類效果不佳的問(wèn)題,本文構(gòu)建了結(jié)構(gòu)更優(yōu)的殘差網(wǎng)絡(luò)ResNet-50P。該網(wǎng)絡(luò)由三層小卷積核的殘差單元模塊組成,和傳統(tǒng)兩層的殘差單元模塊相比,計(jì)算量相同,但是可以構(gòu)建更深的殘差網(wǎng)絡(luò),模型的學(xué)習(xí)能力增強(qiáng)。之后在殘差單元模塊中使用預(yù)激活方式,對(duì)殘差網(wǎng)絡(luò)做了進(jìn)一步的優(yōu)化,提高了模型的準(zhǔn)確率。(2)針對(duì)基于區(qū)域建議框的目標(biāo)檢測(cè)模型中存在計(jì)算量大的問(wèn)題,本文在目標(biāo)檢測(cè)模型R-FCN的網(wǎng)絡(luò)結(jié)構(gòu)基礎(chǔ)上設(shè)計(jì)了Light Fashion R-CNN模型。Light Fashion R-CNN模型...

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1本文的總體架構(gòu)圖

圖1-1本文的總體架構(gòu)圖

圖2-1單隱層神經(jīng)網(wǎng)絡(luò)反向傳播算法在求導(dǎo)時(shí)采用了微積分中的鏈?zhǔn)椒▌t，來(lái)求得一個(gè)復(fù)合函數(shù)的

圖2-1單隱層神經(jīng)網(wǎng)絡(luò)向傳播算法在求導(dǎo)時(shí)采用了微積分中的鏈?zhǔn)椒▌t，來(lái)求得一個(gè)復(fù)合反向傳播算法從目標(biāo)函數(shù)開(kāi)始，首先求Error對(duì)網(wǎng)絡(luò)輸出的偏導(dǎo)=()（

圖2-2殘差單元模塊

圖2-2殘差單元模塊向傳播求梯度時(shí)，第i層參數(shù)w的梯度求解(+)()

圖2-3兩種殘差單元結(jié)構(gòu)圖

(a)兩層的殘差單元模塊(b)三層的殘差單元模塊圖2-3兩種殘差單元結(jié)構(gòu)圖圖2-3（b）中1×1的卷積層用于對(duì)輸入特征圖降維，減少計(jì)算量，而使大小的卷積層保持特征提取能力，最后再使用一個(gè)1×1的卷積層做了

本文編號(hào)：4023095