中国产业信息发表的《2017-2023年中国服装电子商务行业市场运营态势及发展前景预测研究报告》指出，随着互联网的普及，网上购物打破了时间和地域的限制，并以品类繁多、价格亲民等鲜明特色逐渐成为主流消费方式之一 。根据统计，服装鞋帽类商品在2015-2016年均为排名第一的网购品类， 2016年 、2014年及2015年用户购买率分别达75.5%、75. 3%和79. 7%。根据调研报告，2014年中国网购用户已购商品类别中，服装、鞋帽、箱包、户外用品类占67. 9%，位于网购商品首位。由此可见，服装鞋帽品类的网购需求里较大，是电商企业争夺用户潜力最大的品类市场。2010年以来，我国服装网购市场规模保持较大比例的平稳增长，并呈现持续放缓的趋势。根据研究中心数据显示，2016年，我国服装网购交易额达到9, 343亿元，同比增长25. 29%。服装网购市场交易规模和渗透率不断提升，2016年，我国服装网购市场交易规模达9343亿元，同比增长25%服装网购参透车达到36.9%。

有市场就会有需求，在随着网络购物和电子商务的普及,越来越多的电商平台推出了移动端的应用,这其中不少都集成图片搜索的功能,根据输入的图片判断商品的种类进行搜索，因此，这就需要高效的服装识别分类技术。

目前商业图像识别分类检索系统主要有两种。一种是基于关键字文本的检索方式。它是基于语法结构和文本特征等，或是基于标签进行推荐的在线文档系统。这种方式优点是（1）检索精度高；（2）检索速度快。同时也有重要的缺点：（1）需要对每一张图像进行关键的文本标注，这将浪费大量的人力物力；（2）不同的人的认识和判断标准不同，很容易出现同一张图片，不同的人有不同的判断结果，导致在给图片标注时存在主观性和不确定性，影响识别分类检索结果，降低精度。

第二种就是基于卷积神经网络的图像识别，用于服装种类识别。这种方式正是为了解决其中对服装的分类而提出的方法,具体包括数据预处理、卷积运算和Softmax回归模型训练三个步骤。根据海量的服装图片组成的实验数据集上，训练出能够保持较高的识别准确率的识别系统。而且节省大量人力物力，优势很大。

2. 研究的基本内容与方案

基本内容：

卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一 。由于卷积神经网络能够进行平移不变分类，因此也被称为“平移不变人工神经网络。对卷积神经网络的研究始于二十世纪80至90年代，时间延迟网络和LeNet-5是最早出现的卷积神经网络；在二十一世纪后，随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被大量应用于计算机视觉、自然语言处理等领域。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程要求。卷积神经网络长期以来是图像识别领域的核心算法之一，并在大量学习数据时有稳定的表现。对于一般的大规模图像分类问题，卷积神经网络可用于构建阶层分类器，也可以在精细分类识别中用于提取图像的判别特征以供其它分类器进行学习。对于后者，特征提取可以人为地将图像的不同部分分别输入卷积神经网络，也可以由卷积神经网络通过非监督学习自行提取。

目标：

学习并且使用深度学习算法训练的卷积神经网络模型在图像识别上的优点，利用图像分类作为深度学习的研究方向也是研究的热点领域，近年来，AlexNet, GoogLeNet等卷积神经网络在图像分类上已经取得了优于传统图像分类方法的成果。训练出自己深度学习算法训练的卷积神经网络模型,使其可以用来完成对服装图片进行分类。

技术方案和措施：

1. 安装并使用开源框架Caffe；