基于最近邻注意力与卷积神经网络的服装分类模型.pdf
《基于最近邻注意力与卷积神经网络的服装分类模型.pdf》由会员分享,可在线阅读,更多相关《基于最近邻注意力与卷积神经网络的服装分类模型.pdf(7页珍藏版)》请在咨信网上搜索。
1、第 卷 第 期 年 月毛纺科技 :基于最近邻注意力与卷积神经网络的服装分类模型关紫微,吕 钊,滕金保(西安工程大学 服装与艺术设计学院,陕西 西安;西安邮电大学 计算机学院,陕西 西安)摘 要:针对传统的服装分类模型分类时无法有效提取训练集中其他样本的实例信息问题,提出基于最近邻注意力()与卷积神经网络(,)的服装分类模型()。首先,用 提取与原训练样本相似的实例样本的服装信息;然后用 进一步提取服装的局部关键特征;最后融合 和 的输出信息,从而在服装分类任务时有效地利用训练集实例信息。以公开的服装数据集进行实验验证,实验结果表明,提出的模型相较于传统的分类模型效果更好,可以有效提高服装的分类
2、效果。关键词:服装分类;最近邻算法;注意力机制;卷积神经网络中图分类号:;文献标志码:,(,;,):,(),;,;,:;收稿日期:基金项目:国家自然科学基金项目(,);陕西省艺术科学规划重大项目();西安工程大学研究生创新基金项目()第一作者:关紫微,硕士生,主要研究方向为服装与服饰设计,:。通信作者:吕钊,教授,硕士,主要研究方向为服装与服饰设计,:。随着电子商务的发展,人们网购商品的行为变得越来越普遍,尤其是服装行业,其电子商务的销售额占比越来越大。目前,购物网站进行商品搜索多采用输入关键字,而网站能快速定位同类型商品服饰的前提是将相应的服装进行识别和精准分类,因此服饰类别的分类具有很高的
3、商业价值,有助于商品的快速定位。传统的服装分类算法多基于深度学习模型,等提出一种新的 方法进行服装图像 分 类,该 方 法 主 要 由 个 卷 积 神 经 网 络 毛纺科技 第 卷 第 期 年 月(,)分支组成,一个分支通过改进异常网络设计的 从整个表情图 像 中 提 取 多 尺 度 特 征,另 一 个 分 支 通 过 网络从整个图像中提取注意机制特征;在进行分类之前,对多尺度和注意机制特征进行聚合;在训练阶段,使用全局平均池化、卷积层和 分类器代替全连接层对最终特征进行分类,加快了模型的训练,并缓解了因参数过多而导致的过度拟合问题。等提出基于 的服饰分类模型,设计了 种具有不同卷积层和池化层
4、的,并使用 数据集进行训练和测试,实验结果表明 是一种有效的服装分类方法,可以获得更高的分类精度,但会增加计算成本。陈巧红等提出多尺度 服装图像分类,采用多尺度的深度可分离卷积来提升模型特征信息的丰富度,并嵌入 模块增强有用特征通道,减弱无用特征通道,模型在 种噪声程度不同的服装数据集中均取得不错表现。以上基于传统深度学习的服装分类模型虽然有着各自的优势,并在公开数据集上的实验结果表现很好的分类效果,但没有考虑到数据集中其他样本的实例信息,因此分类效果有待提升。针对以上分析,本文提出基于最近邻注意力()与卷积神经网络()的服装分类模型(),模型训练时通过引入 获取数据集中实例样本的服装信息,同
5、时采用 进一步提取服装的关键特征,并进一步进行池化操作,最后将 的输出信息与 的输出信息进行融合,使模型提取的服装信息更加全面,达到提升分类效果的目的。模型 本文提出的 模型主要包含 层与 层,其总体架构如图 所示。图 总体架构图 层 作为最常用的深度学习模型之一,在图像处理领域表现优异。具有较强的特征提取能力,通过设置不同大小的卷积核可以有效地提取图像潜在的深层信息,然后通过池化层对输入的特征图进一步压缩,缩减特征图,简化网络计算复杂度,最后由全连接层连接所有的特征,将输出值送给分类器,输入到系统中的服饰信息经过卷积池化后得到 的输出向量。结构如图 所示。第 卷 第 期 年 月毛纺科技 图
6、结构图 层 是传统的机器学习算法之一,其核心思想是如果一个样本在特征空间中的 个最相邻的样本中的大多数属于某一个类别,则该样本也属于这个类别,并具有这个类别上样本的特性。该方法在确定分类决策上只依据最邻近的一个或者几个样本的类别来决定待分样本所属的类别,该算法思想简单且高效,在实际应用中较为广泛,样本之间的距离多采用欧式距离进行计算。从图 可以看出,层由 和 构成,具体又包含 相似图像、标签、图像的相似度、加权标签、加权图像向量部分,其中“相似图像”代表与当前服装图像前 个相似的服装,“标签”对应该前 个服装图像的标签,“图像的相似度”代表该 个服装图像与原服装的相似度,“加权标签”意味着加权
7、值的大小与相似度成正相关。假设整个训练集数据样本为 ,其对应的数据集样本的标签为 ,则相应的距离计算公式为:(,)()()式中:为当前的预测样本;为训练集数据样本 中的第 个服装样本;和 分别为当前预测样本和第 个服装的第 维向量;为样本的维数。采用欧式距离计算公式计算预测服装和整个服装数据集之间的相似度,得到整个数据集中最临近的前 个相似服装集,其对应的相似服装集的标签为,。使用式()()进行相似度计算得到前 个相似样本:(,)(),()式中:,;为进行相似度计算得到的相似度分值;为数据集前 个序列的注意力权重,对得到的服装数据集前 个相似服装的输出标签和输出向量使用 进行加权。对服装数据集
8、中前 个相似样本的输出标签进行加权的公式为:()式中:表示注意力权重;表示第 个输出标签值;,。对服装数据集中前 个相似样本的输出向量进行加权的公式为:()式中:表示第 个实例样本。数据集中的实例样本经过计算后得到加权后的输出标签 和实例样本向量,将 的输出向量 与 进行融合得到,更好地表达服装图像最真实的信息,然后将融合后的 输入到 层进行分类。训练环节采用 优化器更新权重,重新定义交叉熵损失函数为:(,)()()()()式中:为真实标签值;为加权的类别标签值;为每次进行训练的样本总数。实验设计及分析 实验环境及数据集 实验在 系统上进行,具体实验环境如表 所示。表 实验环境 实验环境环境配
9、置操作系统 ()()内存 编程语言 深度学习框架 版本 实验 数 据 集 为 公 开 的 和 数据集中的服装数据集,是一个包含 张图像的大型服装数据集,该数据集来源于购物网站和 的收集,共包含 个类别,分别为 (短袖上衣)、(长 袖 上 衣)、(短袖外套)、(背心)、(吊带)、毛纺科技 第 卷 第 期 年 月(短裤)、(长裤)、(半身裙)、(短袖连衣裙)、(长袖连衣裙)和 (吊带裙),取 数据集中 (短袖上衣)、(长袖上衣)、(短袖外套)、(背心)种类别进行标记和实验。包含 种属性维度共计 张图像,取其中上身视角中的领子设计属性维度进行实验,该属性下对应 种类别,分别是娃娃领、清道夫领、衬衫领
10、、飞行员领,对 种类别分别进行标记,然后进行对比实验。所有的数据集按照 的比例分别作为训练集、验证集和测试集,然后输入到模型中进行学习。参数设置 模型的参数设置对最终结果有较大的影响,为了使模型达到最优分类效果,在模型进行训练时对其涉及的主要参数进行动态调节。模型的参数设置主要分为模型参数和训练参数 个部分。模型参数提出的 模型主要由 层和 层组成,对不同层的参数设置如下:层的核心参数主要是卷积核的大小,卷积核的大小不同可能会对实验结果造成不同的影响,因此后续章节将进一步讨论 卷积核大小的设置,对比实验中卷积核大小设置为(,),值设置为 ,随机失活 的神经单元。层核心参数为 值的大小,模型中
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 近邻 注意力 卷积 神经网络 服装 分类 模型
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。