给大家分享8篇关于服装分类的计算机专业论文

今天分享的是关于服装分类的8篇计算机毕业论文范文, 如果你的论文涉及到服装分类等主题,本文能够帮助到你

基于卷积神经网络的服装图像关键点检测与分类算法研究

这是一篇关于卷积神经网络,服装关键点检测,服装分类,服装属性预测,注意力机制的论文, 主要内容为最近几年,网上购物已经成为现代中国人购买绝大多数商品的重要渠道,特别是服装类商品,各个电商平台也努力为用户打造更加方便和友好的在线购物环境。人们在电商平台往往通过输入类别和属性关键词来搜索要购买的服装,然而互联网中服装数量繁多,依靠人力手工标注服装的类别和属性的方式不仅效率低下,且主观性较大,容易出错。因此如何利用计算机高效且准确的给服装打上类别和属性标签成为此领域研究者们的主要研究方向。此外,服装关键点位置检测是服装类别分类和属性预测等服装领域问题的基础,也是服装图像领域的一个重要研究方向。如今深度学习算法在图像处理领域中大放异彩,研究者们也利用卷积神经网络处理服装关键点检测和服装分类的任务。但由于服装图像存在服装本身易变形,背景复杂和服装关键点遮挡等问题,导致其定位和分类结果的准确性仍然有待提高。因此,本文利用卷积神经网络对服装图像关键点检测、服装类别分类和属性预测等问题进行了深入研究,主要工作如下:(1)本文设计了一种基于VGG16的端到端的深度卷积神经网络,用于解决服装图像领域的关键点检测、服装分类和属性预测等问题。(2)针对服装关键点检测问题,本文设计了基于预测高斯热图的关键点检测方法。首先利用VGG16的前四个卷积层提取特征,随后在网络中添加全局特征提取模块,反卷积模块和多尺度融合模块,最终生成和原图尺寸相同的关键点热图,进而得到关键点的位置。此外,本文利用关键点检测网络得到的热图生成关键点注意力,为后续的服装分类和属性预测任务奠定基础。(3)针对服装类别分类和属性预测任务,本文设计了基于关键点注意力和通道注意力的特征提取方法。首先利用关键点热图生成关键点注意力,并将其融合到经过VGG16网络的前四层提取得到的特征图中,提高了特征图中服装关键点区域的特征表达。另外,考虑到特征图中不同通道的特征对分类的影响不同,网络中添加通道注意力模块,增加重要通道的权重值,减少噪声通道的权重值,从而抑制噪声对分类结果的影响。(4)对于以上三个任务,本文在大规模Deep Fashion数据集上进行了验证。实验结果证明,本文设计的服装图像关键点检测与分类算法具有优越的性能,关键点检测准确率较之前的研究相比,有了明显提升。在类别分类上,Top3准确率达到了91.24%,Top5准确率达到了95.95%。

基于注意力机制和特征融合的服装分类算法研究

这是一篇关于卷积神经网络,结构特征,特征提取,服装分类,注意力机制,特征融合的论文, 主要内容为在时尚领域,基于深度学习的服装图像分类技术已成为一个研究热点。随着服装类型和风格的增加,服装分类在网上购物中起着越来越重要的作用。此外,服装分类的速度和准确性的提高,通常也可以为其他任务带来更好的效果。然而,服装图像的背景复杂、风格多样,使得服装的特征在提取时易受干扰,另外,单纯依靠纹理特征的服装分类可能更注重服装的细节信息,而忽略了服装的整体形状信息,会导致低鲁棒性和低准确性。因此,本文提出一种基于注意力机制和特征融合的服装分类算法,通过分别提取服装的形状和纹理特征信息来提升服装分类的准确率。针对以上问题,本文针进行的研究工作主要包含如下几个方面:(1)为了增强图像底层特征的提取和高层语义特征的充分利用,本文提出了一种基于注意力机制和深度空洞可分离卷积的服装特征提取算法Pattern Net,它由Fused Inverted Residual(FIRConv)模块和Depthwise Dilated Separable Attention Convolution(DDSAConv)模块组成。FIRConv模块可以通过融合的倒置残差结构充分有效地提取服装图像的潜在的特征模式和纹理信息,以方便深层网络对特征进行语义分析。通过在网络的深层中叠加使用DDSAConv模块,并采用不同的扩张率进行卷积,增加模型感受野,让模型更加关注服装的全局特征。根据服装数据集的特点,使用不同的结构可以使得模型在不同阶段进行特征提取时发挥更大的作用。(2)为了有效表达服装的特征信息,本文提出了一个基于形状特征的特征提取算法,在减少服装图像背景干扰的同时,使得网络更关注服装的形状信息。该方法主要由两个部分构成,分别是服装形状获取模块和形状分类网络Shape Net。首先通过服装形状获取模块得到服装形状数据集,然后在Shape Net中使用更大的卷积核和高效注意力机制获取服装形状特征。(3)为了解决服装精细分类的难题,本文基于形状特征和多特征融合提出了一种双流网络结构PSClo Net来充分利用服装图像的特征。基于特征提取方式的差异,使用Feature Fusion Channel Enhancement(FFCE)模块将服装图像的纹理特征与形状特征有效融合,从而大幅提高了时尚图像分类的准确性,在多样化和多变的风格中达到更高的准确率。实验结果也证明了PSClo Net方法比单独的提取某一类特征的效果更好。通过大量的实验结果表明,本文提出的Pattern Net在进行服装分类时候,效果明显优于主流的分类网络,并且,在Pattern Net基础上融合了Shape Net后的PSClo Net网络也能更好的提升服装分类性能。

基于深度学习的服装分类研究及应用平台设计实现

这是一篇关于服装分类,YOLOv4,注意力机制,特征融合,随机权重平均的论文, 主要内容为国内电商高速发展,淘宝、京东、拼多多等平台已逐渐取代了实体店铺,尤其随着新冠疫情的爆发,线上平台已成为人们购物的不二选择。随着购物需求的日益增多,如何将商品自动准确分类从而进一步精准推荐已成电商平台亟待解决的问题。服装相较于其他商品更具多样性,背景复杂、姿态各异、形变、视角、遮挡等因素都影响着其定位和分类的准确性,使服装分类任务成为一件具有挑战的任务。本文针对服装类别和服装风格分类问题展开研究,基于YOLOv4模型,提出了改进的服装分类模型CC-YOLO(Clothing Classification YOLO),同时设计实现了一个服装分类应用平台。本文的主要工作包括:(1)针对当前缺乏包含服装类别和服装风格两级标签数据集的问题,本文构建了一个服装分类数据集Clothing DS。该数据集从现有的服装数据集中,根据预先参考电商购物平台选定的风格标签进行数据提取,通过label Img软件进行服装类别标注,经过数据预处理和数据增强,得到8种服装类别、14种服装风格,总计5万张图片,包含不同姿态、不同角度、不同颜色、不同光线,遮挡、重叠的图像。(2)针对服装图像检测问题,提出了一个新的服装分类模型CC-YOLO。该模型以YOLOv4为基线模型进行了改进。为了提高预测框在服装数据集上的交并比,通过手肘法和K-Means++对服装数据集进行聚类分析,获得新的锚框;为了提高大目标的检测性能,在主干网络后加入全局注意力模块,增强特征提取网络,使模型更关注全局信息,抑制噪声对模型的影响;为了获得更鲁棒的特征,对多尺度特征融合阶段进行优化,使模型在融合更多尺度特征的同时考虑了不同尺度特征对输出特征的贡献;为了进一步提升模型泛化能力,对模型的多个中间权重使用随机权重平均集成方法。针对服装类别和风格多属性分类问题,提出了一个多标签检测判定方法。(3)设计并实现了一个服装分类应用平台。该平台集成本文提出的CC-YOLO模型,实现了服装图片的定位与分类,并提供服装图片的批量标注功能。本文使用CC-YOLO模型与基线模型在服装数据集上进行了对比实验。实验结果表明,CC-YOLO模型在保证速度的同时,检测精度提升了1.74%;使用SWA集成方法得出的模型,检测精度又提升了0.14%。

基于深度学习的服装分类算法研究

这是一篇关于深度学习,服装分类,残差网络,注意力机制的论文, 主要内容为随着电商平台的广泛流行,网购逐渐成为人们生活的一部分,服装也是网购的主要商品之一。为了方便用户在平台上选购服装,商家需要对服装的商品类别进行标签的标注,并上传到电商平台,所以服装分类是非常重要的过程。手工标注海量的服装类别不仅工作量大而且主观性较强,难以满足用户需求,因此利用计算机自动完成标签标注,高效的进行分类。目前主要用深度学习方法研究服装分类算法,但是由于服装的类别较多,服装细粒度分类的准确率依然不高,并且平台的很多服装图片的拍摄受光照等各种因素影响,导致分类的结果不够准确等问题。这些问题给服装分类算法的研究带来很多困难。为了更好地提高服装分类的准确率,本文对基于深度学习的服装分类算法进行研究。本文提出了一种Res Net50-DS服装分类算法。因为衣领、衣长分别有多个子类别,为避免在学习各种服装的类别特征时产生更多的错误,将Res Net50作为基础网络,将注意力机制SE-Net引入到残差网络中,这样可以去除冗余信息,增强对服装图像中衣长、衣服领型区域的感知能力,聚焦重点关注的类别对衣领、衣长进行特征提取,抑制其他无关特征的干扰;但是网络在训练的时候易发生过拟合的现象,由此会引发一些泛化的误差,从而导致服装分类的准确性下降,影响模型的性能的提升。因此再结合正则化,在连接的MLP多分类任务中加入多个Dropout,提高多分类模型的泛化能力,减少了模型泛化的误差性,提升了网络性能,从而提高了衣领和衣长的准确率和查准率,优化了服装领域的图像分类算法。

基于混合模型的服装风格推荐系统

这是一篇关于深度学习,服装分类,服装推荐,混合模型,推荐系统的论文, 主要内容为电子商务平台迅速发展壮大,网购变成了人们日常生活中必不可少的部分。伴随着服装种类和数量的增多,人们需要花费更多的时间寻找心仪的服装商品,由此一个好的服装推荐系统变得越来越重要。传统的推荐算法,普遍存在冷启动、数据稀疏、稳定性差等问题,并且主要依赖于用户-商品评价矩阵,无法处理图像数据。本文在现有推荐系统的基础上,针对以上问题进行了以下研究:(1)构建了风格偏好数据集。基于淘宝、京东等电商平台图片和POG数据集,进行分类与挑选,采用了三种服装风格定义标准。首先,根据时代特色和民族传统,得到嘻哈风格和民族风格;其次,根据面料、颜色、图案纹路等特点,得到经典风格和香奈儿风格;最后,根据服装的功能性特点,得到运动风格和职场风格。搭建了一个包含六种具有明显代表性风格,共7200张图片的服装风格数据集。(2)服装风格识别算法。本文结合卷积神经网络与Transformer构建混合模型以应对服装风格识别任务。具体的,使用改良后的Res Net-50卷积神经网络提取图像特征,通过利用卷积神经网络的归纳偏置来提高模型的学习与泛化能力,接着引入注意力机制学习全局特征之间的相关度,并使用迁移学习提升模型在小型数据集上的表现。实验结果表明,我们的混合结构相较传统Res Net-50,服装风格识别的Top-1准确率提升了3.2%。(3)服装风格推荐算法与系统实现。本文提出基于k-means的推荐算法,对用户上传的图片进行特征提取得到服装风格特征向量,然后对同一风格类别的特征向量进行聚类,最后计算用户输入图片与相同簇内图像之间的余弦相似度,就可以得到与用户输入图像风格最相似的服装图像。文章设计并实现了服装风格推荐系统,本系统面向所有登入平台的用户,系统由两个模块构成:服装风格识别模块和服装风格推荐模块,提供上传图像、服装风格识别、服装风格推荐功能。用户只需要上传一张服装的图像就可以获得服装的风格类别,并且系统会自动推荐给用户相同风格的其它服装图像。综上所述,本文针对服装风格推荐问题,构建了风格偏好数据集,设计并实现了服装风格推荐系统,系统使用服装风格识别算法提取服装图像特征,再利用服装风格推荐算法给出推荐结果,可以满足用户识别服装风格和服装推荐的需求,经实验表明,系统具备识别准确率高,推荐速度快的优点。