基于手机的服装检索系统设计与实现
这是一篇关于电子商务,移动互联网,Android系统,服装检索,以图搜图的论文, 主要内容为近几年,随着移动互联网日趋成熟,移动智能设备逐步普及、不断更新,人们生活水平日益提高的同时,经济活动也越来越多元化。随着现代生活节奏的不断加快,人们迫切需要一种便捷高效的日常购物模式,基于移动平台的电子商务模式应运而生,逐渐崭露头角,迅猛发展。如今,个人移动智能手机中的电子商务应用多种多样,人们正在为更为便捷,有效的实现移动端购物而不断探索。本文将基于内容的图像检索系统与移动智能手机相结合,基于目前最为流行的智能操作系统之一的Android系统,设计并实现了针对服装领域的以图搜图检索应用系统。本文的主要工作如下:1.研究了系统数据库的数据获取模式,采用了爬虫系统工具搜集国内知名电子商务网站的服装领域相关图像及其信息。研究并解决了网页数据获取中的URL地址去重问题,对服装商品的相关网页信息建立了结构化的存储索引数据库模式,提高了系统的检索效率。2.针对商品图像中的背景噪声问题,在基于Grab Cut图像分割算法的基础上,提出了一种交互式的前景提取技术,充分利用了用户的主观感受,对图像进行了有目标的噪声过滤,从而一定程度上的提高了商品图像目标的提取准确度。3.针对服装商品的固有特点,提出了SIFT局部特征与颜色直方图的混合特征提取方案,对服装商品图像进行视觉特征提取及匹配研究,并进行了相关算法效果模拟实验。4.依据Android平台图像处理及网络通信等技术,完成系统开发任务。对基于Android的服装检索系统进行全面的功能测试,各功能模块效果完好,时间消耗符合预期范围,能够满足客户基本即拍即搜即买的现代化移动购物体验。本系统Android客户端的主要功能模块有,账号管理模块、拍照获取图模块、图处理模块及结果展示模块。用户通过手机对感兴趣的服装商品拍照,应用系统分析商品图像,以用户可参与的形式对所拍摄图像进行背景噪声过滤,传递给服务器端进行图像匹配,并将最终结果以列表的形式展示于前台客户端界面,成功给用户提供了即拍即搜即得的现代化移动购物体验。
基于图像语义特征和深度哈希特征检索的虚拟试穿系统研究
这是一篇关于服装检索,特征提取网络,深度哈希学习,轻量化,虚拟试穿的论文, 主要内容为互联网和电子商务技术近年获得了飞速发展,在线购物正成为人们日常生活中的普遍选择,用户可以根据自己的喜好在购物平台上挑选心仪的服装。目前在线服装购物平台虽然取得了巨大的发展,但仍存在以下不足:1)网购模式下,消费者无法根据图文信息预测自身的试穿效果,导致退换货率一直居高不下;2)虚拟试穿技术可以在一定程度上缓解网购平台大量退换货的压力,但现有的虚拟试穿体验主要依赖于用户主动选择,大多缺乏对感兴趣商品的推荐虚拟试穿功能,缺乏个性化和高准确性的推荐试穿体验。因此有必要开发具有精确检索能力的在线虚拟试穿系统。近年来,相较于传统算法,基于卷积神经网络模型语义特征的图像检索方法能够获得更优质的图像语义信息和更高的检索效率,但缺乏在复杂场景下对服装目标区域和背景信息的区分,导致检索准确率受限。而基于深度哈希方法的服装检索虽然能够实现高效的服装匹配,但对于不同类型的相似服装的区分能力仍需进一步提升。为解决上述问题,本文基于深度学习技术,设计了一种高准确率、低延时的基于服装图像检索的虚拟试穿系统。可以解决现有的虚拟试穿系统仅针对用户主动选择的服装图像虚拟试穿问题,更大程度地通过检索减少用户查询时间,丰富购物体验。论文主要从卷积神经网络和深度哈希方法两个方面对图像检索技术进行优化,为用户提供更加准确的服装检索推荐功能,同时考虑到设备的部署问题,进行了模型轻量化构建,主要研究内容如下:(1)针对现有图像检索方法在背景复杂和目标区域小等因素下对服装图像位置信息在空间上难以捕捉的问题。本文在Rep VGG结构中引入坐标注意力模块,加强了网络对目标服装在空间方向上的位置信息和长距离依赖关系的关注,准确定位服装对象所在区域,忽略冗余的周边背景信息。同时,为了加强网络对服装图像上下文信息的获取,提高特征利用率,构建了一个两分支空洞卷积特征融合结构FFM,可获得图像多尺度感受野特征信息。改进后的Rep VGG方法在In-shop服装检索数据集上分类准确率和检索准确率分别达到96.5%、85.71%,比原始算法提高了1.6%和2.45%。(2)针对现有深度哈希算法较少利用数据集全局监督信息,对分类困难样本生成的哈希码紧致性和分离性约束不足,以及未充分利用生成哈希码的类别级语义带来的语义信息丢失等问题。提出了一种非对称中心相似度哈希算法,该算法损失函数融合了对比损失、中心相似度损失和基于标签平滑的类别损失。其中,对比损失能够保持原始图像在汉明空间上的相似关系,类别级损失能够关注哈希学习中语义空间分布问题,增强类似哈希码的潜在关联性,中心相似度损失则引导哈希函数生成分布更加收敛的哈希码,有效改善哈希码对困难样本的判别能力。实验表明,所提算法在服装检索数据集上检索精度m AP达到83.5%,相较于深度哈希方法ADSH和CSQ方法分别提升了1.9%和11.2%。(3)针对深度哈希算法在移动终端部署模型参数量大、推断速度慢等问题,利用Mobile Net-V2主干网络进行轻量化改进,改进后的模型参数量为2.31M,较Res Net50-ACSQH模型下降了21.22M,检索精度仅下降了0.22%。为弥补模型轻量化带来的精度损失,通过引入FPN融合网络和无参注意力机制提升了对服装语义特征提取能力,优化后的Mobile Net-ACSQH模型相较Res Net50-ACSQH参数量减少了78.6%,精度提升了1.53%,满足了终端设备的实时性和精度要求。(4)最后,设计了一款基于服装图像检索的虚拟试穿系统。系统功能包括用户管理、服装检索、服装试穿、检索信息统计等。实现了虚拟试穿系统的个性化推荐功能。
基于图像语义特征和深度哈希特征检索的虚拟试穿系统研究
这是一篇关于服装检索,特征提取网络,深度哈希学习,轻量化,虚拟试穿的论文, 主要内容为互联网和电子商务技术近年获得了飞速发展,在线购物正成为人们日常生活中的普遍选择,用户可以根据自己的喜好在购物平台上挑选心仪的服装。目前在线服装购物平台虽然取得了巨大的发展,但仍存在以下不足:1)网购模式下,消费者无法根据图文信息预测自身的试穿效果,导致退换货率一直居高不下;2)虚拟试穿技术可以在一定程度上缓解网购平台大量退换货的压力,但现有的虚拟试穿体验主要依赖于用户主动选择,大多缺乏对感兴趣商品的推荐虚拟试穿功能,缺乏个性化和高准确性的推荐试穿体验。因此有必要开发具有精确检索能力的在线虚拟试穿系统。近年来,相较于传统算法,基于卷积神经网络模型语义特征的图像检索方法能够获得更优质的图像语义信息和更高的检索效率,但缺乏在复杂场景下对服装目标区域和背景信息的区分,导致检索准确率受限。而基于深度哈希方法的服装检索虽然能够实现高效的服装匹配,但对于不同类型的相似服装的区分能力仍需进一步提升。为解决上述问题,本文基于深度学习技术,设计了一种高准确率、低延时的基于服装图像检索的虚拟试穿系统。可以解决现有的虚拟试穿系统仅针对用户主动选择的服装图像虚拟试穿问题,更大程度地通过检索减少用户查询时间,丰富购物体验。论文主要从卷积神经网络和深度哈希方法两个方面对图像检索技术进行优化,为用户提供更加准确的服装检索推荐功能,同时考虑到设备的部署问题,进行了模型轻量化构建,主要研究内容如下:(1)针对现有图像检索方法在背景复杂和目标区域小等因素下对服装图像位置信息在空间上难以捕捉的问题。本文在Rep VGG结构中引入坐标注意力模块,加强了网络对目标服装在空间方向上的位置信息和长距离依赖关系的关注,准确定位服装对象所在区域,忽略冗余的周边背景信息。同时,为了加强网络对服装图像上下文信息的获取,提高特征利用率,构建了一个两分支空洞卷积特征融合结构FFM,可获得图像多尺度感受野特征信息。改进后的Rep VGG方法在In-shop服装检索数据集上分类准确率和检索准确率分别达到96.5%、85.71%,比原始算法提高了1.6%和2.45%。(2)针对现有深度哈希算法较少利用数据集全局监督信息,对分类困难样本生成的哈希码紧致性和分离性约束不足,以及未充分利用生成哈希码的类别级语义带来的语义信息丢失等问题。提出了一种非对称中心相似度哈希算法,该算法损失函数融合了对比损失、中心相似度损失和基于标签平滑的类别损失。其中,对比损失能够保持原始图像在汉明空间上的相似关系,类别级损失能够关注哈希学习中语义空间分布问题,增强类似哈希码的潜在关联性,中心相似度损失则引导哈希函数生成分布更加收敛的哈希码,有效改善哈希码对困难样本的判别能力。实验表明,所提算法在服装检索数据集上检索精度m AP达到83.5%,相较于深度哈希方法ADSH和CSQ方法分别提升了1.9%和11.2%。(3)针对深度哈希算法在移动终端部署模型参数量大、推断速度慢等问题,利用Mobile Net-V2主干网络进行轻量化改进,改进后的模型参数量为2.31M,较Res Net50-ACSQH模型下降了21.22M,检索精度仅下降了0.22%。为弥补模型轻量化带来的精度损失,通过引入FPN融合网络和无参注意力机制提升了对服装语义特征提取能力,优化后的Mobile Net-ACSQH模型相较Res Net50-ACSQH参数量减少了78.6%,精度提升了1.53%,满足了终端设备的实时性和精度要求。(4)最后,设计了一款基于服装图像检索的虚拟试穿系统。系统功能包括用户管理、服装检索、服装试穿、检索信息统计等。实现了虚拟试穿系统的个性化推荐功能。
基于深度学习的服装检索与搭配的研究与应用
这是一篇关于服装检索,胶囊网络,边界挖掘损失,服装搭配,图卷积网络,度量学习,类型感知解码器的论文, 主要内容为随着电商平台日益蓬勃发展,人们越来越习惯在线购买服装。为了更好地购物,人们希望电商平台能够提供服装的检索功能,并在自己购买服装的时候能够提供适宜的服装搭配建议。用户有着这样的需求而且网上有着海量的服装图片,在这个背景下各大电商都希望能够在服装的检索和搭配上给用户提供更好的服务从而增加自己的竞争力。服装的检索基于对图片特征更好地理解,服装的搭配基于对服装之间兼容性关系地更好地应用,本文利用深度学习探究了服装检索和搭配的这两个重要问题,本文的主要工作如下:将胶囊网络(CapsNet)进行改进作为本文的服装检索模型。原始胶囊网络的多角度理解物体能力较强,但是特征提取层只有一层卷积层,无法适用于复杂的现实数据集中。本文使用添加SE-Block的残差模块作为胶囊网络的特征提取模块,增强了它的特征提取能力使其能够适用于服装图片领域。不同于大多数服装检索模型使用三元组损失(Triplet Loss)来训练,本文使用边界挖掘损失(Margin Sample Mining Loss,MSML)作为度量学习的损失函数来训练优化模型。在Deepfashion数据集上进行实验,发现本文的模型不仅参数个数少,并且与基于卷积网络的服装检索模型相比,查全率上也有所提高。将图卷积自编码(Graph AutoEncoder,GAE)模型用于服装搭配。将服装当作图中的一个节点,两个服装能够搭配就是两个服装节点之间有着边存在,因此图中就包含了所有服装搭配的信息。使用图卷积网络(Graph Convolutional Network,GCN)作为编码器学习服装相互之间的搭配关系。因为人们日常挑选不同类型的衣服看重的属性不同,在此常识下提出一种可以感知到服装类型的解码器(Type-aware Decoder)。在Polyvore服装搭配数据集上进行实验,发现在扩充的FITB(Fill-InThe-Blank)任务中,各个选项数目下本文的模型都取得了最优的效果,当选项个数为4时,预测准确率能达到0.93。在预测搭配是否合理的二分类任务中,AUC值可以达到0.99,与其他模型相比结果也是最优。最后指出了对于本文所提出服装检索模型和服装搭配模型的未来改进方向。对于本文的服装检索模型,可以从使用更先进的度量学习方式、在网络中实现注意力机制等角度来改善模型。对于本文的服装搭配模型,可以从使用更多的服装文本属性信息、实现用户个性化的角度来对其进行优化。
基于感兴趣区域和特征融合的服装图像检索研究
这是一篇关于感兴趣服装区域提取,服装关键点定位,服装检索,深度学习,哈希编码的论文, 主要内容为网络零售已经是居民生活中不可或缺的一部分,2018年的额度首次突破九万亿。服装类产品作为需求量最大的网络零售商品之一,如何让用户快速有效地检索到心仪的服装成为各大电商平台考虑的重要任务。针对当前主流的基于文本的服装检索方法容易受到用户对图像描述的主观因素的影响,本文对基于内容的服装图像检索方法展开了系统的研究,并提出了一套基于感兴趣区域和特征融合的深度学习方法。论文首先是提取感兴趣的服装区域,以消除背景的影响。针对常规目标检测算法容易出现丢失服装关键点的问题,提出了基于关键点推理的算法,以获得关键点包含率高的感兴趣服装区域。论文接着实现感兴趣服装区域内关键点的精准定位,为提取关键点周围的局部信息做准备。针对回归方法对服装关键点坐标定位精度不高的问题,本文利用特征图上的响应值计算关键点的位置信息,并在所用网络模型的后端加上一个反卷积模块,对特征图进行上采样以提高特征图的分辨率,从而获得更高的定位精度。在上述两步工作的基础上,论文再分别提取感兴趣服装区域的全局特征和各关键点周围的局部特征,并将所有的特征进行通道约束的融合,融合后的特征用于服装图像检索,其性能优于无通道约束的融合。论文最后考虑到服装检索任务中检索效率和检索精度之间的矛盾,提出了基于带权哈希特征和服装款式分类的多任务服装检索方法,该方法能够根据具体需求在检索效率和检索精度之间实现灵活的选择。本文上述每步提出的算法,其性能都在Inshop和Consumer2shop等公开的数据集上得到了实验验证。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码导航 ，原文地址：https://m.bishedaima.com/lunwen/54477.html
