應(yīng)用當(dāng)前較新穎且分類性能靠前的卷積神經(jīng)網(wǎng)絡(luò)Xception作為基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu),嘗試采用多尺度的深度可分離卷積來提升模型特征信息的豐富度,在模型中嵌入SE-Net模塊增強有用特征通道,減弱無用特征通道.實驗結(jié)果表明:提出的多尺度SE-Xception模型在2種噪聲程度不同的服裝數(shù)據(jù)集中均取得不錯表現(xiàn);ACS數(shù)據(jù)集的平均分類準(zhǔn)確率為78.34%,分別高于VGG-16、ResNet-50和Xception模型8.52%、4.81%、3.69%;驗證了多尺度SEXception模型具有更好的特征提取能力,能夠提取到更多的服裝信息,從而提高服裝圖像分類效果,一定程度上解決了特征尺度單一、信息豐富度低的問題. 

【文章來源】：浙江大學(xué)學(xué)報(工學(xué)版). 2020,54(09)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

Xception模型的主要網(wǎng)絡(luò)模塊示意圖

深度可分離卷積的結(jié)構(gòu)圖

式中：Fex(*)為Excitation函數(shù)；W1、W2為學(xué)習(xí)后的全連接層權(quán)重；z為經(jīng)過Squeeze后的特征向量；δ(*)為Relu激活函數(shù)；σ(*)為Sigmoid函數(shù).3)Reweight特征重標(biāo)定.將Excitation輸出看作是經(jīng)過自主學(xué)習(xí)后的特征權(quán)重，將特征權(quán)重與原特征圖逐通道相乘加權(quán)，完成整個特征重標(biāo)定過程，Reweight公式如下：

【參考文獻】：
期刊論文
[1]款式特征描述符的服裝圖像細粒度分類方法[J]. 吳苗苗,劉驪,付曉東,劉利軍,黃青松.  計算機輔助設(shè)計與圖形學(xué)學(xué)報. 2019(05)
[2]基于殘差的優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)服裝分類算法[J]. 張振煥,周彩蘭,梁媛.  計算機工程與科學(xué). 2018(02)
[3]基于度量學(xué)習(xí)的服裝圖像分類和檢索[J]. 包青平,孫志鋒.  計算機應(yīng)用與軟件. 2017(04)
[4]基于深度卷積神經(jīng)網(wǎng)絡(luò)的服裝圖像分類檢索算法[J]. 厲智,孫玉寶,王楓,劉青山.  計算機工程. 2016(11)



本文編號：3299405