1. 研究目的与意义（文献综述）

互联网的到来，使网上购物已经成为人们生活中不可或缺的方式，淘宝、京东商城等也风生水起。所以快速的寻找到满意的商品越来越重要。相对于以往文字的商品查询方式，基于图片内容的查询更加直观。

20世纪90年代兴起的基于内容的图像检索技术为人们提供了一种思路。cbir允许直接根据图像的底层视觉特征进行检索，如颜色、纹理、形状等。然而实际应用中cbir应用并不理想。伴随着数据挖掘和机器学习的兴起，图片分类产生。经典的图片分类主要使用图片的颜色直方图、图片的纹理信息、图片的形状特征，结合常用的贝叶斯分类器、svm分类器、knn进行分类。但是这些方法存在着训练数据存在噪声、不能很好的突破搜索引擎返回结果数量的限制。对于提取图片特征要考虑到图片的大小和尺度变化，sift算法就有很好的尺度不变性，同时surf算法是sift算法的升级版。

随着机器学习的应用，视觉领域进入一个新天地。其中卷积神经网络是深度学习中一种高效的方法，在模式识别领域研究已久。每年举办的imagenet large scale visual recognition challenge,在2012年以前，图像识别的错误率一直居高不下（26%左右）。在ilsvrc-2012比赛中，使用卷积神经网络的算法取得了非常不错的成绩，从此，卷积神经网络成为这一比赛的主流算法。 卷积神经网络可以直接输入原始图像，避免了对图像前期进行预处理，更加方便使用。并且卷积神经网络不断发展。卷积神经网络与传统的神经网络相别在于卷积神经网络可以减少训练的参数，不改变效率甚至提高效率。卷积神经网络通过寻找空间的相关性，使得传播网的反响传播算法效率得到改进，也使得可训练参数的数量减少。卷积神经网络层次之间的紧密联系使得适用于图片的处理，并且自动学习图片的相关特性。在卷积神经网络中，图像中的小块区域被当作层次结构的底层的输入数据，数据不断向前传播经过各个层。现在卷积神经网络（cnn）也被广泛应用到文档分析、语音检测、车牌识别等各个方面，具有一定的研究价值。

2. 研究的基本内容与方案

电子商务平台是互联网＋的典型和主流应用，对于“拍照购”“找同款”等应用，商品图片分类是其中必要环节。通过对图像的计算处理，实现对图像进行分类划分。然后通过提取京东商品图像特征，可以提供给推荐、广告等系统，提高推荐/广告的效果。 具体内容如下:

(1)构建图片分类模型及算法;

(2)对测试集中的每一个图片，预测图中商品所属的京东三级分类id，共有40种分类，id为[0-39];

3. 研究计划与安排

(1)2016/1/11—2016/1/22：查阅参考文献，明确选题；

(2)2016/1/23—2016/3/7：进一步阅读文献，并分析和总结；确定技术路线，完成并提交开题报告；

(3)2016/3/8—2016/4/26：需求分析，算法或系统设计，分析、比较或实现等；

4. 参考文献（12篇以上）

[1]alex krizhevsky, ilya sutskever, and geoffhinton. imagenet classification with deep convolutional neural networks. in advances in neural information processingsystems , 2012，25：1106-1114.

[2]andrew g.howard. some improvements on deepconvolutional neural network based image classification. corr, 2013，abs/1312.5402.

[3] v. nair, g. e. hinton. rectified linearunits improve restricted boltzmann machines[c]. in proc. 27th internationalconference on ma-chine learning, 2010