基于深度学习的商品图像分类.pdf

《基于深度学习的商品图像分类.pdf》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于深度学习的商品图像分类ProductImageClassificationBasedonDeepLearning杨东坡大连交通大学DALIANJIAOTONGUNIVERSITY分类号：_________________________________学校代号：10150UDC：_________________密级：____________学号：硕士学位论文基于深度学习的商品图像分类ProductImageClassificationBasedonDeepLearning学生姓名：__________

2、__杨东坡导师及职称：°____________学科门类：__________________专业名称：__________________研究方向：____________申请学位级别：__________________论文答辩日期：__________________学位授予单位：大连交通大学学位论文独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢及参考文献的地方外，论文中不包含他人或集体已经发表或撰写过的研究成果，也不包含为获得

3、大连交通大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢意。本人完全意识到本声明的法律效力，申请学位论文与资料若有不实之处，由本人承担一切相关责任。学位论文作者签名:术大连交通大学学位论文版权使用授权书太学位论女作者完全了解大连交通大学有关保护知识产权及保留、使用学位论文的规定，职：研究生在校攻读学位期间论文工作的知识产枳单位属大连交通大学，本人保证毕业离校后，发表或使用於寸工作成旲时薯名单位仍然为大连交通大学。学校有权保留并向国家有关

4、部门或机构送交论文的复印件及其电子文档，允许论文被查阅和借阅。本人授权大连交通大学可以将本学位论文的全部或部分内容编入学校有关数据库和收录到《中国博士学位论文全文数据库》、《中国优秀硕士学位论文全文数据库》进行信息服务，也可以采用影印、缩印或扫描等复制手段保存或汇编本学位论文。(保密的学位论文在解密后应遵守此规定）曰期：年《月心曰曰期：>/r年f月~曰摘要随着互联网以及各种终端设备的普及，电子商务已经成为人们生活的一部分，高效图像检索方法的实现是人们的迫切需求。深度学习方法可以对原始图像的特征进行自动提取，

5、通过层层抽样从而得到深层抽象的特征。本文主要研究基于深度学习的商品图像分类，重点研究商品图像的精细分类，本文主要工作如下：本文首先研究了传统堆栈自编码网络、深度信念网络、卷积神经网络在商品图像精细分类中的应用，针对传统深度学习方法训练时间长、对硬件设备要求高等缺点，本文分别提出并实现了基于堆栈自编码网络、深度信念网络、卷积神经网络与支持向量机相结合的商品图像精细分类方法。通过实验结果表明，与支持向量机结合的堆栈自编码网络、深度信念网络所取得的分类效果有一定的提升；应用与支持向量机结合的卷积神经网络所得平均分

6、类正确率可达74%~99%，高于已有文献66%~98%的分类正确率，与迭代100次的传统卷积神经网络相比，在相同网络结构下所用训练时间约减少了90%。针对卷积神经网络与支持向量机相结合的商品图像分类，本文进一步研究比较了三种池化方法（均值池化、最大池化、随机池化）对分类性能的影响。实验结果表明，针对6层以下的卷积神经网络，均值池化的分类性能最优且比较稳定，在网络结构合适的情况下，最大池化可以取得与均值池化接近的分类效果，随机池化分类性能最差，并表现出一定的不稳定性；针对6层以上的卷积神经网络，最大池化的分类

7、性能更优，而且网络层数越多，最大池化的分类效果越理想，而均值池化的分类性能有下降的趋势，随机池化方法的分类效果依然具有一定的随机性，但所得实验规律更接近最大池化。针对自建商品图像精细图库以及公用图库进行实验，实验结果表明，以上规律不但适用于商品图像精细分类，也适用于通用图像分类。关键词：商品图像分类；深度学习；堆栈自编码网络；深度信念网络；卷积神经网络IAbstractWiththepopularityoftheInternetandvarietiesofterminalequipments,e-comme

8、rcehasbecomeapartofpeople'slives,andithasbeenpeople'surgentneedstoachieveefficientimageretrievalmethod.Deeplearningcanextractfeatureautomaticallybasedonimage,anditcangetdeeperabstractfeaturesthroughmulti-laye