基于深度学习的服装分类算法研究及实现开题报告
2022-08-15 09:30:25
1. 研究目的与意义
随着互联网信息技术的快速发展与服装电子商务时代的到来,网上服装图像数量急剧增加,导致了不管是服装生产商家还是服装物流以及购买服装的顾客都对服装图像的精准分类与高效检索需求日渐迫切。而伴随着大数据技术和深度学习的发展,服装检索与分类技术不单单可以依靠基于文字的图像检索方式,还可以通过算法与人工智能相结合,实现智能化,生活化的服装分类。服装分类作为人工智能领域的一个衍生项目,虽然目前的研究方向和研究内容不算丰富,但却可以给我们的日常生活带来极大的便利,还能促进服装产业和家政产业以及家居产业的发展。首先服装分类技术可以让服装公司在做市场调查时通过市场反馈过来的大数据更加便利和准确地把握市场目前服装流行情况,从而能够有利于服装公司服装的设计与生产;其次,针对目前刚兴起的家政行业,整理顾客的服饰一直是家政服务中最一个繁琐的步骤,因此如果能将成熟的服装分类算法应用在硬件程序上,则可以轻松实现非人工的智能化服装分类,如此一来便可以非常有效地解决这一问题;同时智能化的服装分类还有益于网上购物的更准确地搜索到自己喜欢的服装,从而提升网购满意率;最后,由于当前社会大家的生活条件普遍较好,人们对着装要求日渐提高与丰富,这就导致了顾客们对于服饰购买数量的增多,而大部分人因为工作繁忙,导致服饰的有效整理很难实现,因此日常的整理和分类服饰需求也逐渐迫切,所以服装分类算法的实现,对目前市面上火热的智能化家居也可以起到启发作用,可以借此算法研究智能化衣柜,自动对衣柜内的服饰进行识别分类,从而解决当代年轻人面临的服饰杂乱问题。
2. 研究内容和预期目标
服装分类作为一种典型的计算机视觉问题,通常包含图像识别,特征提取,图像分类等多种任务。而随着深度学习的不断发展,采用深度学习的方法进行服装分类往往能得到更好的效果。Fashion-Mnist数据集为公开的服装数据集,本文基于该数据集,设计了一种反馈型神经网络架构对数据集进行训练和测试。之后又进行了多组对比实验,不断优化模型参数以及网络架构。在不依赖任何深度学习框架的基础上,实现对该数据集的分类任务。
3. 国内外研究现状
服装分类本质上为图像分类问题。根据国内外近年来的研究方法,图像分类算法主要有基于计算机视觉的传统分类方法,基于机器学习的分类方法和基于深度学习分类方法。传统的分类算法主要采用对分割后的图像提取特征,但由于图像的低层视觉特征与高层语义特征之间存在一定的差距,而如何利用图像的低层视觉特征更准确地表示高层语义在实际应用中一直未得到令人满意的结果。另外针对大规模数据集,该分类算法往往不理想。基于机器学习的分类算法提高了分类精度,但是针对大规模数据集依然存在特征提取困难,识别效果不理想等问题。然而基于深度学习的分类算法可移植性强,识别精度高,适合大规模数据集。因此现阶段针对基于深度学习的图像分类算法研究较多。
4. 计划与进度安排
整个论文分为四章。
第一章是绪论,先介绍研究服装分类的背景和意义,再介绍了服装分类的国内外研究现状,引出本论文的研究课题,最后是论文的主要内容和结构安排。
第二章是服装分类相关理论的介绍,包括神经网络的输入层,隐藏层,输出层中以及过程中需要用到的相关函数。最后对梯度下降算法进行介绍。
5. 参考文献
[1]高等教育学[m]. 长江出版社 , 冷余生, 2017