【技术实现步骤摘要】
本专利技术涉及一种服装标签检测方法，属于图像处理与目标检测领域，具体涉及基于轻量化网络模型的服装品牌logo检测分类方法和系统。
技术介绍
1、服装品牌logo是指服装品牌的标志和标识，通常是一个图形、字母或者组合而成的符号，用来代表品牌的身份和形象。它是品牌与消费者进行沟通的重要媒介，具有极高的辨识度和形象力。随着人工智能技术的逐渐成熟，人工智能与服装行业相结合逐渐成为一种新趋势，但这需要高质量的服装检测技术。如果能够利用人工智能技术进行服装品牌logo智能识别，那将极大的提高工作效率，方便服装检索。但服装品牌logo往往是小目标检测问题，存在极大挑战性。
2、相比于传统的图像处理技术，基于深度学习的目标图像检测技术具有能够在数量庞大的数据中自动获取所需图像特征，分析底层图像信息，较少的人为干预，检测精度高等优势受到了广泛关注。但基于深度学习的目标检测算法对计算设备的要求较高，在模型的应用场景中，存在模型参数量多、计算量大、模型体积大等问题导致其应用受到一定的限制。服装品牌智能检测应用的主要对象是消费者或客户，速度和精度等...
【技术保护点】
1.基于轻量化网络模型的服装品牌LOGO检测分类方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于轻量化网络模型的服装品牌LOGO检测分类方法，其特征在于：将Bcakbone中的第8层和Neck中第15、18层的C2f模块替换为C2f-GD模块到服装品牌LOGO检测分类模型。
3.如权利要求1所述的基于轻量化网络模型的服装品牌LOGO检测分类方法，其特征在于：GD-Bottleneck结构的具体处理过程为：首先使用GhostConv进行特征提取，并通过SiLU激活函数，然后通过DCNv2模块进一步提取特征，最后通过残差连接方式将输入特...
【技术特征摘要】
1.基于轻量化网络模型的服装品牌logo检测分类方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于轻量化网络模型的服装品牌logo检测分类方法，其特征在于：将bcakbone中的第8层和neck中第15、18层的c2f模块替换为c2f-gd模块到服装品牌logo检测分类模型。
3.如权利要求1所述的基于轻量化网络模型的服装品牌logo检测分类方法，其特征在于：gd-bottleneck结构的具体处理过程为：首先使用ghostconv进行特征提取，并通过silu激活函数，然后通过dcnv2模块进一步提取特征，最后通过残差连接方式将输入特征与输出特征进行结合。
4.如权利要求1所述的基于轻量化网络模型的服装品牌logo检测分类方法，其特征在于：dcnv2结构为dcnv1结构的改进，具体处理过程如下；
【专利技术属性】
技术研发人员：廖海斌，龚颢巍，艾哲，邓一洲，陈秋童，徐仁杰，魏喆，黄运康，王如忻，王鑫然，王苗苗，邹煜杰，
申请(专利权)人：武汉纺织大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。