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。