基于深度學(xué)習(xí)的商品圖像分類.pdf

《基于深度學(xué)習(xí)的商品圖像分類.pdf》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。

1、基于深度學(xué)習(xí)的商品圖像分類ProductImageClassificationBasedonDeepLearning楊東坡大連交通大學(xué)DALIANJIAOTONGUNIVERSITY分類號：_________________________________學(xué)校代號：10150UDC：_________________密級：____________學(xué)號：碩士學(xué)位論文基于深度學(xué)習(xí)的商品圖像分類ProductImageClassificationBasedonDeepLearning學(xué)生姓名：__________

2、__楊東坡導(dǎo)師及職稱：°____________學(xué)科門類：__________________專業(yè)名稱：__________________研究方向：____________申請學(xué)位級別：__________________論文答辯日期：__________________學(xué)位授予單位：大連交通大學(xué)學(xué)位論文獨創(chuàng)性聲明本人聲明所呈交的學(xué)位論文是本人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。盡我所知，除了文中特別加以標(biāo)注和致謝及參考文獻(xiàn)的地方外，論文中不包含他人或集體已經(jīng)發(fā)表或撰寫過的研究成果，也不包含為獲得

3、大連交通大學(xué)或其他教育機構(gòu)的學(xué)位或證書而使用過的材料。與我一同工作的同志對本研究所做的任何貢獻(xiàn)均已在論文中作了明確的說明并表示謝意。本人完全意識到本聲明的法律效力，申請學(xué)位論文與資料若有不實之處，由本人承擔(dān)一切相關(guān)責(zé)任。學(xué)位論文作者簽名:術(shù)大連交通大學(xué)學(xué)位論文版權(quán)使用授權(quán)書太學(xué)位論女作者完全了解大連交通大學(xué)有關(guān)保護知識產(chǎn)權(quán)及保留、使用學(xué)位論文的規(guī)定，職：研究生在校攻讀學(xué)位期間論文工作的知識產(chǎn)枳單位屬大連交通大學(xué)，本人保證畢業(yè)離校后，發(fā)表或使用於寸工作成旲時薯名單位仍然為大連交通大學(xué)。學(xué)校有權(quán)保留并向國家有關(guān)

4、部門或機構(gòu)送交論文的復(fù)印件及其電子文檔，允許論文被查閱和借閱。本人授權(quán)大連交通大學(xué)可以將本學(xué)位論文的全部或部分內(nèi)容編入學(xué)校有關(guān)數(shù)據(jù)庫和收錄到《中國博士學(xué)位論文全文數(shù)據(jù)庫》、《中國優(yōu)秀碩士學(xué)位論文全文數(shù)據(jù)庫》進(jìn)行信息服務(wù)，也可以采用影印、縮印或掃描等復(fù)制手段保存或匯編本學(xué)位論文。(保密的學(xué)位論文在解密后應(yīng)遵守此規(guī)定）曰期：年《月心曰曰期：>/r年f月~曰摘要隨著互聯(lián)網(wǎng)以及各種終端設(shè)備的普及，電子商務(wù)已經(jīng)成為人們生活的一部分，高效圖像檢索方法的實現(xiàn)是人們的迫切需求。深度學(xué)習(xí)方法可以對原始圖像的特征進(jìn)行自動提取，

5、通過層層抽樣從而得到深層抽象的特征。本文主要研究基于深度學(xué)習(xí)的商品圖像分類，重點研究商品圖像的精細(xì)分類，本文主要工作如下：本文首先研究了傳統(tǒng)堆棧自編碼網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)在商品圖像精細(xì)分類中的應(yīng)用，針對傳統(tǒng)深度學(xué)習(xí)方法訓(xùn)練時間長、對硬件設(shè)備要求高等缺點，本文分別提出并實現(xiàn)了基于堆棧自編碼網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)與支持向量機相結(jié)合的商品圖像精細(xì)分類方法。通過實驗結(jié)果表明，與支持向量機結(jié)合的堆棧自編碼網(wǎng)絡(luò)、深度信念網(wǎng)絡(luò)所取得的分類效果有一定的提升；應(yīng)用與支持向量機結(jié)合的卷積神經(jīng)網(wǎng)絡(luò)所得平均分

6、類正確率可達(dá)74%~99%，高于已有文獻(xiàn)66%~98%的分類正確率，與迭代100次的傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)相比，在相同網(wǎng)絡(luò)結(jié)構(gòu)下所用訓(xùn)練時間約減少了90%。針對卷積神經(jīng)網(wǎng)絡(luò)與支持向量機相結(jié)合的商品圖像分類，本文進(jìn)一步研究比較了三種池化方法（均值池化、最大池化、隨機池化）對分類性能的影響。實驗結(jié)果表明，針對6層以下的卷積神經(jīng)網(wǎng)絡(luò)，均值池化的分類性能最優(yōu)且比較穩(wěn)定，在網(wǎng)絡(luò)結(jié)構(gòu)合適的情況下，最大池化可以取得與均值池化接近的分類效果，隨機池化分類性能最差，并表現(xiàn)出一定的不穩(wěn)定性；針對6層以上的卷積神經(jīng)網(wǎng)絡(luò)，最大池化的分類

7、性能更優(yōu)，而且網(wǎng)絡(luò)層數(shù)越多，最大池化的分類效果越理想，而均值池化的分類性能有下降的趨勢，隨機池化方法的分類效果依然具有一定的隨機性，但所得實驗規(guī)律更接近最大池化。針對自建商品圖像精細(xì)圖庫以及公用圖庫進(jìn)行實驗，實驗結(jié)果表明，以上規(guī)律不但適用于商品圖像精細(xì)分類，也適用于通用圖像分類。關(guān)鍵詞：商品圖像分類；深度學(xué)習(xí)；堆棧自編碼網(wǎng)絡(luò)；深度信念網(wǎng)絡(luò)；卷積神經(jīng)網(wǎng)絡(luò)IAbstractWiththepopularityoftheInternetandvarietiesofterminalequipments,e-comme

8、rcehasbecomeapartofpeople'slives,andithasbeenpeople'surgentneedstoachieveefficientimageretrievalmethod.Deeplearningcanextractfeatureautomaticallybasedonimage,anditcangetdeeperabstractfeaturesthroughmulti-laye