基于深度学习的产品风格精细识别

为有效提取具有差异性的产品风格特征,提出一种基于复合学习通路的细粒度风格识别卷积神经网络(FSR-CNN)。一是注意力学习通路,以残差结构为基础,采用串并结合的方式将坐标注意力、卷积块注意力和多头注意力嵌入其中,提出轻量化的混合注意力残差网络(HA-ResNet),用于抽取“专用特征”。二是迁移学习通路,应用微调预先训练的GoogLeNet以扩充HA-ResNet模型容量,实现多感受野“通用特征”抽取。最后对二者输出的特征进行融合,并使用MLP分类器识别产品风格类型。在自行车头盔数据集上进行实验,并与其他经典深度卷积神经网络模型进行比较,实验结果表明FSR-CNN模型表现出较高的准确率和良好的稳健性,为产品风格精细检索与知识重用提供了一种新的模型算法架构。