结合卷积神经网络多层特征融合和K-Means聚类的服装图像检索方法

摘要：

随着服装电子商务的蓬勃发展,海量的服装图像数据被累积,对服装图像"以图搜图"成为了当前的一个热点研究方向.服装图像有着丰富的整体语义信息和大量细节信息,要对其实现精准检索是一项挑战性难题.传统的基于人工语义标注的服装图像方法和以人工设计的颜色与纹理等内容特征进行服装图像检索的方法均存在较大局限性.文中利用卷积神经网络多层特征融合提取特征,然后使用K-Means聚类加快服装图像的检索,充分利用深度卷积神经网络在图像特征提取上的有效性和层次性,融合不同卷积层次特征的细节信息和抽象语义信息以提升检索的准确度,并利用K-Means加快检索速度.所提方法首先对服装图像数据集进行统一的尺寸处理,然后利用卷积神经网络进行训练和特征提取,抽取出服装图像从低到高的多层次特征,进而将多种层次的特征进行融合,最终使用K-Means聚类方法对提取的图像库特征进行有效检索.在DeepFashion子类数据集Category and Attribute Prediction Benchmark和In-shop Clothes Retrieval Benchmark上的实验结果表明,所提方法能有效增强服装图像的特征表达能力,提高了检索准确率和检索速度,优于其他主流方法.

关键词：服装图像检索、卷积神经网络、特征融合、K-Means聚类

所属期刊栏目：46

分类号：TP183(自动化基础理论)

资助基金：国家自然科学基金面上项目61170093

在线出版日期：2019-07-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：215-221