基于残差的优化卷积神经网络服装分类算法

计算机工程与科学

基于残差的优化卷积神经网络服装分类算法

张振焕，周彩兰，梁媛

（武汉理工大学计算机学院，湖北武汉 430070）

收稿日期:2017-08-01 修回日期:2017-10-05 出版日期:2018-02-25 发布日期:2018-02-25

An optimized clothing classification algorithm

based on residual convolutional neural network

ZHANG Zhen-huan,ZHOU Cai-lan,LIANG Yuan

(School of Computer Science,Wuhan University of Technology,Wuhan 430070,China)

Received:2017-08-01 Revised:2017-10-05 Online:2018-02-25 Published:2018-02-25

摘要/Abstract

摘要：

针对目前服装分类算法在解决多类别服装分类问题时分类精度一般的问题，提出了一种基于残差的优化卷积神经网络服装分类算法，在网络中使用了如下三种优化方法：（1)调整批量归一化层、激活函数层与卷积层在网络中的排列顺序；（2)“池化层+卷积层”的并行池化结构；（3)使用全局均值池化层替换全连接层。经过由香港中文大学多媒体实验室提供的多类别大型服装数据集(DeepFashion)和标准数据集CIFAR-10上的实验表明，所提出的网络模型在处理图片的速度和分类精度方面都优于VGGNet和AlexNet，且得到了目前为止已知的在DeepFashion数据集上最好的分类准确率。该网络也可以更好地应用于目标检测和图像分割领域。

关键词: 深度学习, 残差网络, 多类别服装分类, 卷积神经网络优化

Abstract:

Aiming at the problem that the current clothing classification algorithm has general accuracy in solving the multi-category clothing classification, this paper proposes an optimized clothing classification algorithm based on residual convolutional neural network, and uses the following three optimization methods in the network: 1) The orders of batch normalized layer (BN), activation function (Relu) and convolution layer in the network are adjusted; 2) A parallel pooling structure of "pool layer + convoluted layer" is adopted; 3) The full connection layer is replaced by the global mean pooling layer. Experiments on the multi-category large-scale clothing data set (DeepFashion) provided by the multimedia laboratory, the Chinese university of Hong Kong and the standard data set CIFAR-10 show that the proposed network model is superior to VGGNet and AlexNet in image processing speed and classification accuracy, and obtains the best classification accuracy on DeepFashion data set so far. The network can also be better applied to target detection and image segmentation.

Key words: deep learning, residual network, multiple categories clothing classification, convolution neural network optimization

张振焕，周彩兰，梁媛. 基于残差的优化卷积神经网络服装分类算法[J]. 计算机工程与科学.

ZHANG Zhen-huan,ZHOU Cai-lan,LIANG Yuan .

An optimized clothing classification algorithm

based on residual convolutional neural network

[J]. Computer Engineering & Science.

[1]	丁建平, 李卫军, 刘雪洋, 陈旭. 命名实体识别研究综述[J]. 计算机工程与科学, 2024, 46(07): 1296-1310.
[2]	胡昭华, 王长富, . 改进Faster R-CNN的遥感图像小目标检测算法[J]. 计算机工程与科学, 2024, 46(06): 1063-1071.
[3]	谭郁松, 王伟, 蹇松雷, 易超雄. 基于异常保持的弱监督学习网络入侵检测模型[J]. 计算机工程与科学, 2024, 46(05): 801-809.
[4]	高珊, 李世杰, 蔡志平. 基于深度学习的中文文本分类综述[J]. 计算机工程与科学, 2024, 46(04): 684-692.
[5]	罗月童, 李超, 周波, 张延孔. 面向工业缺陷分类的交互式易混淆缺陷分离方法研究[J]. 计算机工程与科学, 2024, 46(03): 463-470.
[6]	吕伏, 韩晓天, 冯永安, 项梁. 基于自适应纹理特征融合的纹理图像分类方法[J]. 计算机工程与科学, 2024, 46(03): 488-498.
[7]	吉旭瑞, 魏德健, 张俊忠, 张帅, 曹慧. 中文电子病历信息提取方法研究综述[J]. 计算机工程与科学, 2024, 46(02): 325-337.
[8]	黄泽彪, 董德尊, 齐星云. Gloo+：利用在网计算技术加速分布式深度学习训练[J]. 计算机工程与科学, 2024, 46(01): 28-36.
[9]	邱晓梦, 王琳, 谷文俊, 宋伟, 田浩来, 胡誉. 光流法修正的时序图像语义分割模型[J]. 计算机工程与科学, 2024, 46(01): 102-110.
[10]	崔浩, 万亚平, 钟华, 聂明星, 肖杨. 基于LoRa设备的人体活动识别研究[J]. 计算机工程与科学, 2024, 46(01): 111-121.
[11]	张骞, 陈紫强, 孙宗威, 赖镜安. 融合高分辨率网络的雾天目标检测算法[J]. 计算机工程与科学, 2023, 45(11): 1970-1981.
[12]	刘雨墨, 刘剑飞, 郝禄国, 曾文彬. 基于多尺度特征融合网络的HEVC帧内编码单元快速划分研究[J]. 计算机工程与科学, 2023, 45(11): 1991-1998.
[13]	李卓璇, 周亚同. 改进DBNet的电商图像文字检测算法研究[J]. 计算机工程与科学, 2023, 45(11): 2008-2017.
[14]	马志峰, 张浩, 刘劼. 基于深度学习的短临降水预报综述[J]. 计算机工程与科学, 2023, 45(10): 1731-1753.
[15]	张耐, 张晨亮, 柳永翔, 陈聪, 黄艳婷. 基于模型混合的智能交易行为异常检测[J]. 计算机工程与科学, 2023, 45(09): 1639-1647.