CN110210567A - 一种基于卷积神经网络的服装图像分类与检索方法及*** - Google Patents

一种基于卷积神经网络的服装图像分类与检索方法及*** Download PDF

Info

Publication number
CN110210567A
CN110210567A CN201910492484.9A CN201910492484A CN110210567A CN 110210567 A CN110210567 A CN 110210567A CN 201910492484 A CN201910492484 A CN 201910492484A CN 110210567 A CN110210567 A CN 110210567A
Authority
CN
China
Prior art keywords
neural networks
convolutional neural
image
networks model
feature vector
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910492484.9A
Other languages
English (en)
Inventor
张瑞华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Ruizhi Huachuang Information Technology Co Ltd
Original Assignee
Guangzhou Ruizhi Huachuang Information Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Ruizhi Huachuang Information Technology Co Ltd filed Critical Guangzhou Ruizhi Huachuang Information Technology Co Ltd
Priority to CN201910492484.9A priority Critical patent/CN110210567A/zh
Publication of CN110210567A publication Critical patent/CN110210567A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种基于卷积神经网络的服装图像分类与检索方法，通过构建并训练的深层卷积神经网络模型提取待检索图像的特征向量，并将待检索图像的特征向量与建立的特征向量库中的特征向量进行余弦相似度对比，能够高效准确的检索出与待检索图像相同或最相似的几张图像，由于卷积神经网络对几何变换、形变、光照具有一定程度的不变性，因此该方法能够极大地提高图像分类与检索的准确率，应用于服装图像检索中，便捷高效并具有较高的鲁棒性。

Description

一种基于卷积神经网络的服装图像分类与检索方法及***
技术领域
本发明实施例涉及图像识别技术领域，具体涉及一种基于卷积神经网络的服装图像分类与检索方法及***。
背景技术
随着服装电子商务的发展，服装图像的分类和检索技术也在逐步更新以适应客户不断变化的需求。传统的图像检索方法是通过关键字或文本来检索服装图像，其实质是以文搜图，随着服装图像数量的增长，该方法的缺点越来越显著。首先，关键字只能描述易于提取的、抽象的语义特征，并不能全面地反映服装图像的视觉特征，尤其是一些精细的、难以描述的特征；其次，由于图像数量巨大，需要花费大量的人力物力进行人工标注，而且人工标注容易产生主观偏差；最后，如果用户输入的搜索关键词描述不够准确，则难以检索到想要的商品。
而随着图像处理技术的发展，出现了以图搜图技术，即输入一张图像可以返回多张相同或相似的图像列表。目前的基于以图搜图的服装图像分类和检索方法得到的结果并不是十分理想，特别是当图像中存在复杂的背景或者图像质量不高时，检索结果往往不能令人满意。现有的以图搜图的图像检索方法多是基于对图像内容特征进行检索，如图像全局的颜色、形状、纹理等特征或者局部的兴趣点、角点等特征，存在以下缺陷：(1)针对服装的颜色特征、形状特征或纹理特征采用何种低级视觉特征，如何选择分类器都是根据经验选择，很难保证最佳检测效果；(2)识别计算比较耗时，效率不高；(3)用特定的方法识别服装，一般只能在特定场景下应用，鲁棒性比较差，实用价值低；(4)这种方法对于实际实施现场中会比较繁琐，造成应用成本上升。
发明内容
为此，本发明实施例提供一种基于卷积神经网络的服装图像分类与检索方法及***，以解决现有的服装图像检索方法准确率低、检测效率不高、应用性差的问题。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明实施例的第一方面，提出了一种基于卷积神经网络的服装图像分类与检索方法，所述方法包括：
将带有类别信息的服装图像数据集分割为训练集和验证集；
构建卷积神经网络模型；
使用所述训练集对所述卷积神经网络模型进行训练；
使用所述验证集对训练后的所述卷积神经网络模型进行验证；
使用所述卷积神经网络模型提取所述服装图像数据集中图像的特征向量，并建立特征向量库；
使用所述卷积神经网络模型提取待检索图像的特征向量；
将所述待检索图像的特征向量与所述特征向量库中的特征向量使用余弦相似度进行一一比对，输出所述服装图像数据集中与所述待检索图像最相似的前多张图像。
进一步地，所述卷积神经网络模型包括依次连接的第一卷积层、第一ReLU激活层、第二卷积层、第二ReLU激活层、第三卷积层、第三ReLU激活层、第四卷积层、第四ReLU激活层、第五卷积层、第五ReLU激活层、平均池化层和全连接层。
进一步地，所述卷积神经网络模型的输入图像尺寸为256×256，所述第一卷积层包括一组尺寸为3×3的卷积，所述第一卷积层的输出特征图尺寸为112×112，所述第二卷积层、第三卷积层、第四卷积，层和第五卷积层分别包括两组尺寸为3×3的卷积，所述第二卷积层的输出特征图尺寸为56×56，所述第三卷积层的输出特征图尺寸为28×28，所述第二卷积层的输出特征图尺寸为14×14，所述第二卷积层的输出特征图尺寸为7×7，所述平均池化层包括一组尺寸为7×7的池，所述平均池化层的输出特征图尺寸为1×1，所述全连接层采用Softmax函数作为其分类函数。
进一步地，所述使用所述验证集对训练后的所述卷积神经网络模型进行验证，包括：
若验证时出现错误结果，则根据出现错误结果的验证集图像所属的类别，在所述训练集中增加相应类别的图像数量对所述卷积神经网络模型进行继续训练。
进一步地，所述使用所述训练集对所述卷积神经网络模型进行训练，包括：
使用Softmax损失函数对所述卷积神经网络模型进行训练。
进一步地，所述使用所述训练集对所述卷积神经网络模型进行训练，包括：
使用随机梯度下降算法SGD对所述卷积神经网络模型进行训练。
进一步地，所述使用所述训练集对所述卷积神经网络模型进行训练之前还包括：
将所述训练集和验证集图像预处理为固定尺寸256×256。
根据本发明实施例的第二方面，提出了一种基于卷积神经网络的图像分类与检索***，所述***包括：
数据集处理模块，用于将带有类别信息的服装图像数据集分割为训练集和验证集；
模型构建模块，用于构建卷积神经网络模型；
模型训练模块，用于使用所述训练集对所述卷积神经网络模型进行训练；
模型验证模块，用于使用所述验证集对训练后的所述卷积神经网络模型进行验证；
特征向量库构建模块，用于使用所述卷积神经网络模型提取所述服装图像数据集中图像的特征向量，并建立特征向量库；
测试模块，用于使用所述卷积神经网络模型提取待检索图像的特征向量；
将所述待检索图像的特征向量与所述特征向量库中的特征向量使用余弦相似度进行一一比对，输出所述服装图像数据集中与所述待检索图像最相似的前多张图像。
本发明实施例具有如下优点：
本发明实施例提出了一种基于卷积神经网络的服装图像分类与检索方法及***，通过构建并训练的深层卷积神经网络模型提取待检索图像的特征向量，并将待检索图像的特征向量与建立的特征向量库中的特征向量进行余弦相似度对比，能够高效准确的检索出与待检索图像相同或最相似的几张图像，由于卷积神经网络对几何变换、形变、光照具有一定程度的不变性，因此该方法能够极大地提高图像分类与检索的准确率，应用于服装图像检索中，便捷高效并具有较高的鲁棒性。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例1提供的一种基于卷积神经网络的服装图像分类与检索方法的流程示意图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
如图1所示，本实施例提出了一种基于卷积神经网络的服装图像分类与检索方法，可用于服装图像的分类与检索，该方法包括：
S100、将带有类别信息的服装图像数据集分割为训练集和验证集。
本实施例中训练集和验证集的分割比例为4：1，并在保证图像不失真的前提下，将训练集和验证集图像预处理为固定尺寸256×256。
S200、构建卷积神经网络模型。
本实施例中的卷积神经网络模型主要参考resnet网络结构思想，主要设计了3×3的卷积核。进一步地，卷积神经网络模型包括依次连接的第一卷积层、第一ReLU激活层、第二卷积层、第二ReLU激活层、第三卷积层、第三ReLU激活层、第四卷积层、第四ReLU激活层、第五卷积层、第五ReLU激活层、平均池化层和全连接层。线性整流函数(Rectified LinearUnit，ReLU)是一种线性纠正函数，当训练数据比较大时，ReLU作为激活函数比传统的Sigmoid的函数具有更好的适应能力。
卷积神经网络模型的输入图像尺寸为256×256，第一卷积层包括一组尺寸为3×3的卷积，第一卷积层的输出特征图尺寸为112×112，第二卷积层、第三卷积层、第四卷积，层和第五卷积层分别包括两组尺寸为3×3的卷积，第二卷积层的输出特征图尺寸为56×56，第三卷积层的输出特征图尺寸为28×28，第二卷积层的输出特征图尺寸为14×14，第二卷积层的输出特征图尺寸为7×7，平均池化层包括一组尺寸为7×7的池，平均池化层的输出特征图尺寸为1×1，全连接层采用Softmax函数作为其分类函数。
S300、使用训练集对卷积神经网络模型进行训练。
在训练过程中，使用Softmax损失函数对卷积神经网络模型进行训练，并采用随机梯度下降算法SGD作为优化算法。
S400、使用验证集对训练后的卷积神经网络模型进行验证。
当模型损失函数收敛时，将训练得到的卷积神经网络模型在验证集上进行验证，进一步地，若验证时出现错误结果，如输出的图片与输入图片并不相似，则根据出现错误结果的验证集图像所属的类别，在训练集中增加相应类别的图像数量对卷积神经网络模型进行继续训练，以增强对该类型的分类效果。重复上述过程，直至模型损失函数收敛或在验证集上的检测结果稳定，此时的网络模型参数即为训练好的具有服装图像分类功能的深层卷积神经网络模型的参数。
S500、使用卷积神经网络模型提取服装图像数据集中图像的特征向量，并建立特征向量库。
S600、使用卷积神经网络模型提取待检索图像的特征向量。
本实施例中，由于训练时卷积神经网络模型的输入图像尺寸为256×256，因此测试未知图片时的输入图像尺寸也应为256×256，将固定尺寸的图片作为本实施例中深层卷积神经网络的输入，使用训练好的网络模型提取特征向量。
S700、将待检索图像的特征向量与特征向量库中的特征向量使用余弦相似度进行一一比对，输出服装图像数据集中与待检索图像最相似的前多张图像。
余弦相似度是指计算两特征向量的夹角余弦值来评估两者的相似度，余弦值的范围在[-1,1]之间，值越趋近于1，表明向量夹角越接近0度，代表两个特征向量越相似，越趋近于-1，代表两个特征向量越不相似。
将计算得到的余弦值按照从大到小进行排序，得到余弦值较大的前几个特征向量库中与待检索图像的特征向量相似的特征向量，并从服装图像数据集中获取与待检索图像相同或最相似的几张图像，本实施例中，输出与待检索图像相同或最相似的五张图像。
本实施例提出了一种基于卷积神经网络的服装图像分类与检索方法，通过构建并训练的深层卷积神经网络模型提取待检索图像的特征向量，并将待检索图像的特征向量与建立的特征向量库中的特征向量进行余弦相似度对比，能够高效准确的检索出与待检索图像相同或最相似的几张图像，由于卷积神经网络对几何变换、形变、光照具有一定程度的不变性，因此该方法能够极大地提高图像分类与检索的准确率，应用于服装图像检索中，便捷高效并具有较高的鲁棒性。
实施例2
与上述实施例1相对应的，提出了一种基于卷积神经网络的图像分类与检索***，该***包括：
数据集处理模块，用于将带有类别信息的服装图像数据集分割为训练集和验证集；
模型构建模块，用于构建卷积神经网络模型；
模型训练模块，用于使用训练集对卷积神经网络模型进行训练；
模型验证模块，用于使用验证集对训练后的卷积神经网络模型进行验证；
特征向量库构建模块，用于使用卷积神经网络模型提取服装图像数据集中图像的特征向量，并建立特征向量库；
测试模块，用于使用卷积神经网络模型提取待检索图像的特征向量；
将待检索图像的特征向量与特征向量库中的特征向量使用余弦相似度进行一一比对，输出服装图像数据集中与待检索图像最相似的前多张图像。
本实施例提供的一种基于卷积神经网络的图像分类与检索***中各部件所执行的功能均已在上述实施例1中做了详细介绍，因此这里不做过多赘述。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (8)

1.一种基于卷积神经网络的服装图像分类与检索方法，其特征在于，所述方法包括：
将带有类别信息的服装图像数据集分割为训练集和验证集；
构建卷积神经网络模型；
使用所述训练集对所述卷积神经网络模型进行训练；
使用所述验证集对训练后的所述卷积神经网络模型进行验证；
使用所述卷积神经网络模型提取所述服装图像数据集中图像的特征向量，并建立特征向量库；
使用所述卷积神经网络模型提取待检索图像的特征向量；
将所述待检索图像的特征向量与所述特征向量库中的特征向量使用余弦相似度进行一一比对，输出所述服装图像数据集中与所述待检索图像最相似的前多张图像。
2.根据权利要求1所述的一种基于卷积神经网络的服装图像分类与检索方法，其特征在于，所述卷积神经网络模型包括依次连接的第一卷积层、第一ReLU激活层、第二卷积层、第二ReLU激活层、第三卷积层、第三ReLU激活层、第四卷积层、第四ReLU激活层、第五卷积层、第五ReLU激活层、平均池化层和全连接层。
3.根据权利要求2所述的一种基于卷积神经网络的服装图像分类与检索方法，其特征在于，所述卷积神经网络模型的输入图像尺寸为256×256，所述第一卷积层包括一组尺寸为3×3的卷积，所述第一卷积层的输出特征图尺寸为112×112，所述第二卷积层、第三卷积层、第四卷积层和第五卷积层分别包括两组尺寸为3×3的卷积，所述第二卷积层的输出特征图尺寸为56×56，所述第三卷积层的输出特征图尺寸为28×28，所述第二卷积层的输出特征图尺寸为14×14，所述第二卷积层的输出特征图尺寸为7×7，所述平均池化层包括一组尺寸为7×7的池，所述平均池化层的输出特征图尺寸为1×1，所述全连接层采用Softmax函数作为其分类函数。
4.根据权利要求1所述的一种基于卷积神经网络的服装图像分类与检索方法，其特征在于，所述使用所述验证集对训练后的所述卷积神经网络模型进行验证，包括：
若验证时出现错误结果，则根据出现错误结果的验证集图像所属的类别，在所述训练集中增加相应类别的图像数量对所述卷积神经网络模型进行继续训练。
5.根据权利要求1所述的一种基于卷积神经网络的服装图像分类与检索方法，其特征在于，所述使用所述训练集对所述卷积神经网络模型进行训练，包括：
使用Softmax损失函数对所述卷积神经网络模型进行训练。
6.根据权利要求1所述的一种基于卷积神经网络的服装图像分类与检索方法，其特征在于，所述使用所述训练集对所述卷积神经网络模型进行训练，包括：
使用随机梯度下降算法SGD对所述卷积神经网络模型进行训练。
7.根据权利要求1所述的一种基于卷积神经网络的服装图像分类与检索方法，其特征在于，所述使用所述训练集对所述卷积神经网络模型进行训练之前还包括：
将所述训练集和验证集图像预处理为固定尺寸256×256。
8.一种基于卷积神经网络的图像分类与检索***，其特征在于，所述***包括：
数据集处理模块，用于将带有类别信息的服装图像数据集分割为训练集和验证集；
模型构建模块，用于构建卷积神经网络模型；
模型训练模块，用于使用所述训练集对所述卷积神经网络模型进行训练；
模型验证模块，用于使用所述验证集对训练后的所述卷积神经网络模型进行验证；
特征向量库构建模块，用于使用所述卷积神经网络模型提取所述服装图像数据集中图像的特征向量，并建立特征向量库；
测试模块，用于使用所述卷积神经网络模型提取待检索图像的特征向量；
将所述待检索图像的特征向量与所述特征向量库中的特征向量使用余弦相似度进行一一比对，输出所述服装图像数据集中与所述待检索图像最相似的前多张图像。
CN201910492484.9A 2019-06-06 2019-06-06 一种基于卷积神经网络的服装图像分类与检索方法及*** Pending CN110210567A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910492484.9A CN110210567A (zh) 2019-06-06 2019-06-06 一种基于卷积神经网络的服装图像分类与检索方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910492484.9A CN110210567A (zh) 2019-06-06 2019-06-06 一种基于卷积神经网络的服装图像分类与检索方法及***

Publications (1)

Publication Number Publication Date
CN110210567A true CN110210567A (zh) 2019-09-06

Family

ID=67791356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910492484.9A Pending CN110210567A (zh) 2019-06-06 2019-06-06 一种基于卷积神经网络的服装图像分类与检索方法及***

Country Status (1)

Country Link
CN (1) CN110210567A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110751209A (zh) * 2019-10-18 2020-02-04 北京邮电大学 一种融合深度图像分类和检索的智能台风定强方法
CN111415221A (zh) * 2020-03-19 2020-07-14 重庆邮电大学 基于可解释性卷积神经网络的服装推荐方法、装置及终端
CN111444974A (zh) * 2020-04-02 2020-07-24 成都三零凯天通信实业有限公司 一种基于零样本识别的服装分类方法
CN111782837A (zh) * 2019-10-10 2020-10-16 北京沃东天骏信息技术有限公司 图像检索方法和装置
CN113420173A (zh) * 2021-06-22 2021-09-21 桂林电子科技大学 基于四元组深度学习的少数民族服饰图像检索方法
CN113435485A (zh) * 2021-06-15 2021-09-24 北京百度网讯科技有限公司 图片检测方法、装置、电子设备及存储介质
CN113743420A (zh) * 2021-08-26 2021-12-03 北京邮电大学 一种基于云边端协同的Web AR图像识别方法及***
EP4195135A4 (en) * 2021-10-11 2023-06-14 Rakuten Group, Inc. INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD, INFORMATION PROCESSING SYSTEM AND PROGRAM

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955718A (zh) * 2014-05-15 2014-07-30 厦门美图之家科技有限公司 一种图像主体对象的识别方法
CN103971342A (zh) * 2014-05-21 2014-08-06 厦门美图之家科技有限公司 一种基于卷积神经网络的图像噪点检测方法
CN104504376A (zh) * 2014-12-22 2015-04-08 厦门美图之家科技有限公司 一种人脸图像的年龄分类方法和***
CN107123033A (zh) * 2017-05-04 2017-09-01 北京科技大学 一种基于深度卷积神经网络的服装搭配方法
CN107256246A (zh) * 2017-06-06 2017-10-17 西安工程大学 基于卷积神经网络的印花织物图像检索方法
CN107622071A (zh) * 2016-07-15 2018-01-23 上海交通大学 通过间接相关反馈在无查源下的衣服图像检索***及方法
CN108614884A (zh) * 2018-05-03 2018-10-02 桂林电子科技大学 一种基于卷积神经网络的服装图像检索方法
CN108984642A (zh) * 2018-06-22 2018-12-11 西安工程大学 一种基于哈希编码的印花织物图像检索方法
CN109657719A (zh) * 2018-12-19 2019-04-19 浙江大学常州工业技术研究院 一种基于卷积神经网络的图像识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103955718A (zh) * 2014-05-15 2014-07-30 厦门美图之家科技有限公司 一种图像主体对象的识别方法
CN103971342A (zh) * 2014-05-21 2014-08-06 厦门美图之家科技有限公司 一种基于卷积神经网络的图像噪点检测方法
CN104504376A (zh) * 2014-12-22 2015-04-08 厦门美图之家科技有限公司 一种人脸图像的年龄分类方法和***
CN107622071A (zh) * 2016-07-15 2018-01-23 上海交通大学 通过间接相关反馈在无查源下的衣服图像检索***及方法
CN107123033A (zh) * 2017-05-04 2017-09-01 北京科技大学 一种基于深度卷积神经网络的服装搭配方法
CN107256246A (zh) * 2017-06-06 2017-10-17 西安工程大学 基于卷积神经网络的印花织物图像检索方法
CN108614884A (zh) * 2018-05-03 2018-10-02 桂林电子科技大学 一种基于卷积神经网络的服装图像检索方法
CN108984642A (zh) * 2018-06-22 2018-12-11 西安工程大学 一种基于哈希编码的印花织物图像检索方法
CN109657719A (zh) * 2018-12-19 2019-04-19 浙江大学常州工业技术研究院 一种基于卷积神经网络的图像识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙晓峰等: "一种基于全卷积网络的目标检索方法", 《河南工程学院学报（自然科学版）》 *
陈瑷瑷等: "基于关键点的服装检索", 《计算机应用》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111782837A (zh) * 2019-10-10 2020-10-16 北京沃东天骏信息技术有限公司 图像检索方法和装置
CN111782837B (zh) * 2019-10-10 2024-04-09 北京沃东天骏信息技术有限公司 图像检索方法和装置
CN110751209A (zh) * 2019-10-18 2020-02-04 北京邮电大学 一种融合深度图像分类和检索的智能台风定强方法
CN111415221A (zh) * 2020-03-19 2020-07-14 重庆邮电大学 基于可解释性卷积神经网络的服装推荐方法、装置及终端
CN111415221B (zh) * 2020-03-19 2023-04-07 重庆邮电大学 基于可解释性卷积神经网络的服装推荐方法、装置及终端
CN111444974A (zh) * 2020-04-02 2020-07-24 成都三零凯天通信实业有限公司 一种基于零样本识别的服装分类方法
CN113435485A (zh) * 2021-06-15 2021-09-24 北京百度网讯科技有限公司 图片检测方法、装置、电子设备及存储介质
CN113420173A (zh) * 2021-06-22 2021-09-21 桂林电子科技大学 基于四元组深度学习的少数民族服饰图像检索方法
CN113743420A (zh) * 2021-08-26 2021-12-03 北京邮电大学 一种基于云边端协同的Web AR图像识别方法及***
CN113743420B (zh) * 2021-08-26 2023-12-05 北京邮电大学 一种基于云边端协同的Web AR图像识别方法及***
EP4195135A4 (en) * 2021-10-11 2023-06-14 Rakuten Group, Inc. INFORMATION PROCESSING DEVICE, INFORMATION PROCESSING METHOD, INFORMATION PROCESSING SYSTEM AND PROGRAM

Similar Documents

Publication Publication Date Title
CN110210567A (zh) 一种基于卷积神经网络的服装图像分类与检索方法及***
CN111126360B (zh) 基于无监督联合多损失模型的跨域行人重识别方法
CN108564029B (zh) 基于级联多任务学习深度神经网络的人脸属性识别方法
Carrière et al. Stable topological signatures for points on 3d shapes
Forsyth et al. Finding pictures of objects in large collections of images
CN106021575A (zh) 一种视频中同款商品检索方法及装置
CN109241317A (zh) 基于深度学习网络中度量损失的行人哈希检索方法
CN107871100A (zh) 人脸模型的训练方法和装置、人脸认证方法和装置
CN109543602A (zh) 一种基于多视角图像特征分解的行人再识别方法
CN110825899A (zh) 融合颜色特征和残差网络深度特征的服装图像检索方法
CN104866524A (zh) 一种商品图像精细分类方法
CN106503729A (zh) 一种基于顶层权值的图像卷积特征的生成方法
CN109544501A (zh) 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法
US20180232400A1 (en) Sketch-based image searching system using cell-orientation histograms and outline extraction based on medium-level features
CN108319633A (zh) 一种图像处理方法、装置及服务器、***、存储介质
Xiong et al. An asian face dataset and how race influences face recognition
CN110222587A (zh) 一种基于特征图的商品定位检测重识别方法
CN107977948A (zh) 一种面向社群图像的显著图融合方法
CN110516533A (zh) 一种基于深度度量的行人再辨识方法
CN116052218B (zh) 一种行人重识别方法
CN110263855A (zh) 一种利用共基胶囊投影进行图像分类的方法
CN109670423A (zh) 一种基于深度学习的图像识别***、方法及介质
CN107704509A (zh) 一种联合稳定区域与深度学习的重排序方法
CN116524583A (zh) 一种基于逐点特征匹配的跨域行人重识别方法
Barroso-Laguna et al. Scalenet: A shallow architecture for scale estimation

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190906