检索结果-南通市图书馆

基于深度学习的服装图像检测和标签识别方法研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的服装图像检测和标签识别方法研究

作者：田魏伟广东工业大学

学位级别：硕士

随着互联网平台的迅速发展,服装线上市场的发展也得到了拓宽。线上服装市场凭借简单快捷、价格便宜的特点,吸引了一大批线上用户,用户足不出户就能够根据个人喜好进行挑选和搭配。用户可以如此便捷的进行线上服装购物,都是因为商家对大... 详细信息

随着互联网平台的迅速发展,服装线上市场的发展也得到了拓宽。线上服装市场凭借简单快捷、价格便宜的特点,吸引了一大批线上用户,用户足不出户就能够根据个人喜好进行挑选和搭配。用户可以如此便捷的进行线上服装购物,都是因为商家对大量的服装图片进行了人工分类上传,这其中需要消耗了巨大的人力成本。目前这样的问题都可以通过深度学习的相关算法得到改善,例如通过深度学习算法对繁多的服装类型进行自动识别并分类,以此降低人力成本。但是常规的深度学习模型计算量巨大,导致服装的即时检测效率低,极大地限制了其应用领域。针对这些理论和现实问题,本文研究基于深度学习的服装图像检测和标签识别方法的优化问题,该研究具有一定的理论意义以及应用价值。本文的研究内容和创新性概括如下:(1)针对现有的服装检测模型计算负载量高和即时响应慢等现实问题,本文提出基于深度学习框架的服装检测模型YOLOv4-GS。实验证明,相比于模型YOLOv4,本模型在检测准确度和模型效率等方面都有非常大的提升。本算法首先使用K-means++聚类方法预处理初始数据集Deep Fashion2。并在深度融合Ghost模块和Sim AM注意力机制的基础上构造GS模块。然后利用GS模块重构YOLOv4网络,得到模型YOLOv4-GS,本模型具有更高的效率、更高的模型准确度。在Deep Fashion2测试集上的实验结果表明:在相同环境下,相比原生YOLOv4网络,YOLOv4-GS模型骨干网络浮点运算量减少了48.33%,参数量减少了49.63%,模型规模降低了33.12%,m AP达到73.1%,提升了2.1%。(2)提出了基于手机应用的服装检测方案,让深度学习更贴近现实。本文利用提出的YOLOv4-GS模型,以及微信小程序开发、Node Js等技术,开发了基于手机移动环境的服装检测应用,实现了在移动端的服装检测功能。

关键词：服装检测深度学习 YOLOv4 deepfashion2 YOLOv4-GS

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的服装搭配智能推荐系统

基于深度学习的服装搭配智能推荐系统

作者：张泽堃北京服装学院

学位级别：硕士

随着生活的不断提高,穿暖已经远远不能满足大众的要求,如何穿出合适的搭配以及在不同场景下如何进行穿搭已经成为目前大众追求的目标。随着现代服装行业的发展,庞大的服装产品数量使得消费者很难选出合适的搭配,而传统的搭配方法大多为... 详细信息

随着生活的不断提高,穿暖已经远远不能满足大众的要求,如何穿出合适的搭配以及在不同场景下如何进行穿搭已经成为目前大众追求的目标。随着现代服装行业的发展,庞大的服装产品数量使得消费者很难选出合适的搭配,而传统的搭配方法大多为线上专家推荐或者服装搭配库给出推荐。由于服装图像的特殊性,服装款式和风格很难被考虑到。而人工智能的发展给服装搭配提供了很好地思路和方法,卷积神经网络可以更好的提取服装的款式风格以及更多不被人明显察觉的特征,可以更好的做出搭配推荐。服装智能搭配作为新兴产业,有重大的研究意义,传相比于传统的服装搭配,本文针对服装款式和风格的多样性和复杂性,提出了基于Siamese和深度哈希的服装搭配方法,使用深度卷机网络进行服装图像的处理,将服装图像向量化进行搭配,在搭配上尽可能的根据提取出的服装图像语义特征给出推荐,论文主要对服装图像的识别和分割,服装特征的提取以及服装的上下装搭配进行了研究。首先,在Deep Fashion2训练集上训练一个Mask-RCNN网络进行服装的识别与分割;然后将处理好的上下装图像输入进Siamese网络中,上下装分别使用Res Net进行服装的特征提取,其中特征包括颜色、风格和服装姿态等;之后将提取的特征向量化,通过哈希层进行处理,产生服装的哈希码;最后通过计算上下装的汉明距离,采用查询扩展的方法完成服装的搭配。模型采用基于Siamese网络结构的训练方法,使哈希码尽可能的保留服装图像的语义信息。在上述的模型基础上,使用自建的街拍-秀场数据集进行验证,实验表明,本文方法在哈希长度为16时,上下装的搭配可以有更好的准确率,提高了服装搭配的准确性,适用于日常的服装搭配。

关键词：服装搭配深度卷积神经网络特征提取 Mask-RCNN deepfashion2 Siamese ResNet

基于YOLOv4-GS检测算法的服装识别方法

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

现代计算机 2022年第11期28卷 10-17页

作者：田魏伟邱卫根张立臣广东工业大学计算机学院广州510006

针对服装检测中检测模型体积大、运算量高,难以适应后续嵌入式平台环境的需要,本文提出了一种高效的YOLOv4-GS算法,极大降低了检测模型的规模。首先对数据集使用K-means聚类方法获得初始候选框,再融合Ghost模块和SimAM注意力机制组成GS... 详细信息

针对服装检测中检测模型体积大、运算量高,难以适应后续嵌入式平台环境的需要,本文提出了一种高效的YOLOv4-GS算法,极大降低了检测模型的规模。首先对数据集使用K-means聚类方法获得初始候选框,再融合Ghost模块和SimAM注意力机制组成GS模块,然后利用GS模块重构YOLOv4网络得到更轻量、更高效的YOLOv4-GS模型。实验结果表明:对比原生YOLOv4网络,在deepfashion2数据集和相同环境下,YOLOv4-GS模型骨干网络浮点运算量减少48.33%,参数量减少49.63%,模型大小降低了33.12%,mAP达到67.8%,提升了2.1%。

关键词：服装检测 YOLOv4-GS GhostNet K-means SimAM deepfashion2

基于Ghost卷积和YOLOv5s网络的服装检测

在线全文

学校读者我要写书评

暂无评论

计算机系统应用 2022年第7期31卷 203-209页

作者：李雪吴圣明马丽丽陈金广西安工程大学计算机科学学院西安710048

为了降低服装目标检测模型的参数量和浮点型计算量,提出一种改进的轻量级服装目标检测模型——GYOLOv5s.首先使用Ghost卷积重构YOLOv5s的主干网络;然后使用deepfashion2数据集中的部分数据进行模型训练和验证;最后将训练好的模型用于服... 详细信息

为了降低服装目标检测模型的参数量和浮点型计算量,提出一种改进的轻量级服装目标检测模型——GYOLOv5s.首先使用Ghost卷积重构YOLOv5s的主干网络;然后使用deepfashion2数据集中的部分数据进行模型训练和验证;最后将训练好的模型用于服装图像的目标检测.实验结果表明,G-YOLOv5s的mAP达到71.7%,模型体积为9.09 MB,浮点型计算量为9.8 G FLOPs,与改进前的YOLOv5s网络相比,模型体积压缩了34.8%,计算量减少了41.3%,精度仅下降1.3%,方便部署在资源有限的设备中使用.

关键词：服装图像目标检测 YOLOv5s deepfashion2 Ghost卷积轻量级深度学习

在线全文

学校读者我要写书评

暂无评论

基于Mask-RCNN的服装识别与分割

纺织科技进展 2020年第6期 20-24,32页

作者：张泽堃张海波北京服装学院信息中心北京100029 北京服装学院服装材料研究开发与评价北京市重点实验室北京市纺织纳米纤维工程技术研究中心北京100029 北京服装学院图书馆北京100029

本文提出了一种基于Mask-RCNN和数据集deepfashion2的服装识别与分割的方法。基于Mask-RCNN的服装识别与分割是基于卷积神经网络的思想,在深度学习框架下通过多线程迭代训练,在ResNet网络中得到目标特征后,再通过RPN和RoIAlign将特征输... 详细信息

本文提出了一种基于Mask-RCNN和数据集deepfashion2的服装识别与分割的方法。基于Mask-RCNN的服装识别与分割是基于卷积神经网络的思想,在深度学习框架下通过多线程迭代训练,在ResNet网络中得到目标特征后,再通过RPN和RoIAlign将特征输入不同的全连接分支,最后得到具有优化权重的目标检测模型。在不同场景的服装图像中,该模型可以更快更准确的识别出服装并将其分割。

关键词：服装识别服装分割 Mask-RCNN ResNet deepfashion2 TensorFlow

采用双注意力机制Deeplabv3+算法的服装图像分割

在线全文

学校读者我要写书评

暂无评论

成都信息工程大学学报 2022年第1期37卷 67-71页

作者：赵乙何嘉成都信息工程大学计算机学院四川成都610225

近年来服装时尚行业经济发展迅速,为了让用户选择服装和服装的设计更方便快捷,提高服装图像的分割效率尤为重要。目前的方法大多属于传统的分割方法,或者基于深度卷积神经网络(DCNN)。针对服装图像分割时易受背景、颜色、纹理等的影响,... 详细信息

近年来服装时尚行业经济发展迅速,为了让用户选择服装和服装的设计更方便快捷,提高服装图像的分割效率尤为重要。目前的方法大多属于传统的分割方法,或者基于深度卷积神经网络(DCNN)。针对服装图像分割时易受背景、颜色、纹理等的影响,且服装的边缘分割不准确,基于Deeplabv3+算法提出了双注意力机制的方法识别分割服装图像,使用通道注意力机制和位置注意力机制构成名为CPAM的模块对Deeplabv3+网络进行改进。特征图经过多次下采样后再经过通道和位置注意力模块(CPAM)与ASPP模块并行,最后通过上采样得到预测图像。实验证明对不同场景的服装图像分割,加入CPAM模块的模型能更准确地将服装分割出来。

关键词：服装图像分割 deepfashion2 Deeplabv3+ 语义分割