一种基于F-CDSSD的衣物识别与分类方法技术

本发明专利技术提出了一种基于F‑CDSSD的轻量级衣物识别分类方法，包括如下内容：采用数据增强技术，解决训练数据集过小的问题，避免过拟合现象；将传统的VGG‑16网络进行替换为ShuffleNet并且对各个卷积层输出的特征图进行模糊处理，降低了网络结构的复杂度，使之可以在轻型计算平台上运行；调整default box的大小、纵横比和数量，提高了神经网络的精度和效率；针对不清晰的图像引入模糊理论，提高了对低质量衣物图像的识别精度；实现了主动学习和迭代学习，充分利用模型检测结果，实现了神经网络模型的不断优化。

A clothing recognition and classification method based on f-cdssd

【技术实现步骤摘要】
一种基于F-CDSSD的衣物识别与分类方法
本专利技术涉及物联网、基于深度学习的衣物识别与分类、主动学习、模糊理论、并发执行和缓存技术，具体涉及到一种基于F-CDSSD的衣物识别与分类方法。
技术介绍
近几年，深度学习得到了飞速的发展，把目标检测和分类推到了一个新的高度。卷积神经网络对于目标的几何变换、形变、光照等因素适应性较强，有效克服了由于衣物外观多变带来的识别阻力。它可根据输入到网络的数据自动地生成相应特征的描述，具有较高的灵活性和普适性。目前图像中的目标检测主要分为single-stage方法(如SSD,YOLO)和two-stage方法(如RCNN系列)两种。Single-stage方法直接在图片上经过计算生成检测结果。Two-stage方法先在图像上提取候选区域,再基于候选区域进行特征提取然后再进行预测。相对来说single-stage速度快,精度低，而two-stage精度高,速度慢。YOLO作为深度学习中利用single-stage方法进行目标检测的先驱，首次提出了直接将目标检测转化为回归问题，用整张图片得到边界框和目标本文档来自技高网...

【技术保护点】
1.本基于F-CDSSD的衣物识别分类框架的流程如主要包含四个部分：数据采集模块、目标识别分类模块、检测结果缓存模块和模型优化模块。包括以下步骤：/n步骤(1)、数据采集模块实时开启，将采集到的视频流切分为多帧图像存入图像解析队列，按照平台的计算能力选择每隔几帧选择一帧输入到框架中；/n步骤(2)、图像在衣物识别分类框架中经过调整大小、特征提取和分类及坐标回归后，返回识别结果；/n步骤(3)、将识别结果跟原图像数据进行匹配后存入缓存服务器，数据采集、图像解析、数据缓存并发进行，最大程度上利用计算资源；/n步骤(4)、当缓存服务器中的数据积累到一定数量，对由衣物识别分类框架产生的解析文件进行校验...

【技术特征摘要】
1.本基于F-CDSSD的衣物识别分类框架的流程如主要包含四个部分：数据采集模块、目标识别分类模块、检测结果缓存模块和模型优化模块。包括以下步骤：
步骤(1)、数据采集模块实时开启，将采集到的视频流切分为多帧图像存入图像解析队列，按照平台的计算能力选择每隔几帧选择一帧输入到框架中；
步骤(2)、图像在衣物识别分类框架中经过调整...

【专利技术属性】
技术研发人员：赵宏伟，张卫山，于强，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东;37