[发明专利]一种基于卷积神经网络的服装图像分类与检索方法及系统

权利要求书

1.一种基于卷积神经网络的服装图像分类与检索方法，其特征在于，所述方法包括：

将带有类别信息的服装图像数据集分割为训练集和验证集；

构建卷积神经网络模型；

使用所述训练集对所述卷积神经网络模型进行训练；

使用所述验证集对训练后的所述卷积神经网络模型进行验证；

使用所述卷积神经网络模型提取所述服装图像数据集中图像的特征向量，并建立特征向量库；

使用所述卷积神经网络模型提取待检索图像的特征向量；

将所述待检索图像的特征向量与所述特征向量库中的特征向量使用余弦相似度进行一一比对，输出所述服装图像数据集中与所述待检索图像最相似的前多张图像。

2.根据权利要求1所述的一种基于卷积神经网络的服装图像分类与检索方法，其特征在于，所述卷积神经网络模型包括依次连接的第一卷积层、第一ReLU激活层、第二卷积层、第二ReLU激活层、第三卷积层、第三ReLU激活层、第四卷积层、第四ReLU激活层、第五卷积层、第五ReLU激活层、平均池化层和全连接层。

3.根据权利要求2所述的一种基于卷积神经网络的服装图像分类与检索方法，其特征在于，所述卷积神经网络模型的输入图像尺寸为256×256，所述第一卷积层包括一组尺寸为3×3的卷积，所述第一卷积层的输出特征图尺寸为112×112，所述第二卷积层、第三卷积层、第四卷积层和第五卷积层分别包括两组尺寸为3×3的卷积，所述第二卷积层的输出特征图尺寸为56×56，所述第三卷积层的输出特征图尺寸为28×28，所述第二卷积层的输出特征图尺寸为14×14，所述第二卷积层的输出特征图尺寸为7×7，所述平均池化层包括一组尺寸为7×7的池，所述平均池化层的输出特征图尺寸为1×1，所述全连接层采用Softmax函数作为其分类函数。

4.根据权利要求1所述的一种基于卷积神经网络的服装图像分类与检索方法，其特征在于，所述使用所述验证集对训练后的所述卷积神经网络模型进行验证，包括：

若验证时出现错误结果，则根据出现错误结果的验证集图像所属的类别，在所述训练集中增加相应类别的图像数量对所述卷积神经网络模型进行继续训练。

5.根据权利要求1所述的一种基于卷积神经网络的服装图像分类与检索方法，其特征在于，所述使用所述训练集对所述卷积神经网络模型进行训练，包括：

使用Softmax损失函数对所述卷积神经网络模型进行训练。

6.根据权利要求1所述的一种基于卷积神经网络的服装图像分类与检索方法，其特征在于，所述使用所述训练集对所述卷积神经网络模型进行训练，包括：

使用随机梯度下降算法SGD对所述卷积神经网络模型进行训练。

7.根据权利要求1所述的一种基于卷积神经网络的服装图像分类与检索方法，其特征在于，所述使用所述训练集对所述卷积神经网络模型进行训练之前还包括：

将所述训练集和验证集图像预处理为固定尺寸256×256。

8.一种基于卷积神经网络的图像分类与检索系统，其特征在于，所述系统包括：

数据集处理模块，用于将带有类别信息的服装图像数据集分割为训练集和验证集；

模型构建模块，用于构建卷积神经网络模型；

模型训练模块，用于使用所述训练集对所述卷积神经网络模型进行训练；

模型验证模块，用于使用所述验证集对训练后的所述卷积神经网络模型进行验证；

特征向量库构建模块，用于使用所述卷积神经网络模型提取所述服装图像数据集中图像的特征向量，并建立特征向量库；

测试模块，用于使用所述卷积神经网络模型提取待检索图像的特征向量；

将所述待检索图像的特征向量与所述特征向量库中的特征向量使用余弦相似度进行一一比对，输出所述服装图像数据集中与所述待检索图像最相似的前多张图像。