基于改进ResNet50和迁移学习的服饰分类识别

传统的服饰分类方法主要依靠提取图像的纹理、颜色、边缘等特征,过程繁琐且分类精度不高。为了提高服饰图像分类性能,提出了一种基于改进ResNet50和迁移学习的服饰分类识别方法。首先,在ResNet50网络的STAGE5中引入两个池化核大小为2×2,步长为2的平均池化层并配合卷积核大小为1×1,步长为1的卷积层。其次,在最后一个卷积层后面融合卷积注意力机制模块(Convolutional Block Attention Module,CBAM)。这两个改进方法在降低特征图空间尺寸的同时保留了更多的信息,提升了模型的性能。最后,采用迁移学习方法,将ImageNet数据集上预训练权重迁移到改进的网络中,并使用服饰图像数据集对网络进行微调及验证。结果表明:改进后的ResNet50网络分类准确率可达90%,在Top1、Top3和Top5分类准确率上分别比原始的ResNet50提升了2.5%、0.4%、0.1%。此外,相较于现有的四个经典的卷积神经网络(GoogleNet,VGG-16,MobileNet_v2,AlexNet)有着更高的准确率,验证了其在服饰图像分类识别领域的优越性。

深度学习在服饰商品分类中的应用

近年来,深度学习的提出给机器学习领域带来新的革命,各种开源的深度学习框架也不断地推陈出新,Caffe就是其中的一种.由于简单易用、性能强大,Caffe框架受到了广泛的认可,并应用在工业和生活的各个领域.针对服饰商品分类的特点,利用Caffe框架中的AlexNet网络对服饰商品进行分类识别,采用这种模型取得较好的实验效果,对服装商品的自动识别提供新的参考.

基于改进的DenseNet-BC对少数民族服饰的识别

随着信息技术的发展,数字技术越来越多地应用于民族文化数字化保护,民族服饰的数字化及分类问题也日益受关注。相比一般服饰,少数民族服饰具有更多的细节特征信息,对其进行分类识别具有很大挑战。选用卷积神经网络DenseNet-BC作为基础网络结构,设计并使用了多尺度密集连接单元,用不同大小的卷积提取不同尺度的特征信息,以提高网络的学习能力;此外,为进一步提高网络的鲁棒性,提出一种局部和全局注意力机制方法进行分类识别。实验结果表明,改进的DenseNet-BC模型对少数民族服饰的识别准确率达95.18%,较ResNet-18、ResNet-34和DenseNet模型的识别准确率分别提升了3.84%、2.27%和1.18%。改进的DenseNet-BC模型具有更好的特征提取能力,能够提取更多的细节特征信息,一定程度上解决了普通模型提取特征尺度单一、特征丰富度低的问题。

浅谈康巴地区的服饰文化与其特点

本文以调查方式的形式进行简述康巴地区的服饰文化的特点和服饰的分类以及服饰的颜色搭配等。

贵州水族服饰的地域特征及其成因

在传统文化传承与创新背景下,有必要挖掘整理少数民族服饰文化,补充完善其基础研究。本文通过田野调查及文献分析,将在贵州境内水族分布的所有地区采集的服饰样本,按服装款式特征分为交襟装、对襟装和大襟装等三大类,总结分析其分布的地域特征、成因及内在联系,以为传统文化的传承及创造性转化奠定基础。