資源描述:
《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