基于VGG-19混合迁移学习模型的服饰图片识别

唐浩漾, 孙梓巍, 王 婧, 钱 萌

(西安邮电大学 自动化学院， 陕西 西安 710121)

网上购买服饰产品已成为人们日常生活消费方式之一，服饰图像的分类和识别技术也在不断发展。传统的服饰图像识别方法往往是设计特征提取算子对图像特征进行提取[1-2]，如文献[1]利用局部二值模式(local binary patterns，LBP)和颜色直方图方法提取服饰图片的纹理和颜色特征，将图像划分成多个局部区域并添加位置信息。文献[2]对服饰图片进行分割后，利用图像的尺度不变特征变换(scale invariant feature transform, SIFT)提取服饰图片的局部特征，如纹理和颜色特征，利用支持向量机(support vector machine, SVM)分类器分类。这些识别与分类方法需要人为设置某种特征来训练分类器，分类器的好坏取决于人为设置的特征是否合理，该方法不具有客观性[3]。

深度学习技术能够较好地解决图像特征提取的问题[4]，基于深度神经网络(deep neural network, DNN)和卷积神经网络(convolutional neural network, CNN)的方法已被广泛地应用于图像识别中[5-7]。文献[8]将预训练的模型进行微调后，获得类哈希的图像特征表示，再通过层级深度搜索进行图像分类。文献[9]通过深度神经网络，利用余弦相似度进行跨场景的服饰图片识别。但是，这些方法需要通过试探性的实验搭建网络模型，且需要更新模型中大量参数才能使模型达到最优[3]。通过迁移学习的方式可以有效地解决新模型的搭建和参数调整的问题[10-12]，文献[10]提出了一种基于迁移学习的图像识别方法，从源数据集上对卷积神经网络进行预训练，然后，将卷积层参数迁移至目标数据集后再训练。……