论文部分内容阅读
电子商务作为一种新的贸易形势给网络营销带来了无限的发展空间,网络购物模式成为电商新时代下的产物,实现商品图像的快速分类是顺应互联网发展的一项必然要求。商品在网络上营销主要依靠商品图像进行信息传递,应用卷积神经网络有效改变了人工描述图像信息导致内容偏差、工作量大等缺点,利用其特有的卷积结构和深层网络对输入样本进行特征学习,实现网络自动分类。本文选用服装商品图像进行识别分类研究,针对该类图像特征细节丰富、数据量大、图像本身易发生多角度形变等问题,应用全卷积网络R-FCN、改进新Hyper特征和空间转换网络等深度学习算法,构建了改进网络HSR-FCN。本文主要工作及创新点如下:(1)针对传统卷积网络进行服装商品图像分类时网络结构复杂,分类效果受物体位置变换影响这一问题,创新性的引入了基于区域的全卷积网络R-FCN。该网络首先对识别目标进行定位,然后再对定位框中的物体进行具体的分类。将其和现有的目标识别框架进行比较,R-FCN网络识别速度最快,在VOC 2007数据集上的识别准确率相对最高。最后,搭建R-FCN网络分别对正视服装图像和多角度形变服装图像进行分类,实验结果显示,该网络对服装正视图的识别准确率较好,但网络训练时间长,且对多角度形变服装图像鲁棒性差,识别分类准确率较低。(2)针对服装商品图像细节丰富、类别多、数据量大,而传统R-FCN网络进行服装图像分类训练过程特征学习能力弱,网络训练耗费时间长这一问题,构建了一种新的特征融和法,将深度残差网络划分成五大层,以中间层为基础网络,采用低层最大池化、高层反卷积的方法得到同一分辨率的特征平面,压缩融合归一化后产生新的Hyper特征,兼顾图像位置信息和语义信息,增强训练过程的特征学习水平,在减少迭代次数的同时保证服装图像的识别准确率。除此之外,将卷积神经网络全部放在Ro I Pooling层之前,减少网络最后一层的卷积量,缩短网络迭代一次花费的时间,提高了时效性。实验结果表明,改进网络HR-FCN提升了网络的整体训练时间,也进一步提高了图像的识别准确率,但对多角度形变服装图像的识别情况欠佳。(3)为改善多角度形变服装识别率低的问题,在改进HR-FCN网络的基础上再融合两层空间转换网络STN,构建一个新的网络HSR-FCN,该网络在训练过程中分别对输入图像和输出特征图进行空间变换和对齐,改善由于服装角度问题导致的特征不易提取,特征学习效果差的问题。最后,选取实验样本,在相同实验环境下和原始网络进行分类性能对比。实验结果表明,本文构建的改进网络HSR-FCN在未明显增加训练时间的基础上,对多角度形变服装图像的识别情况显著增强。