论文部分内容阅读
随着经济的发展,人民的消费水平日益提高,市场流通的各类实体商品极大改善了人们的生活质量,而琳琅满目的零售商品也给人们的选择带来了不小的困扰。如何聚焦于使用信息化技术,对零售商品的流通、销售方式进行改造,重新塑造业界生态,并对线上、线下体验进行融合,是近年来“新零售”概念亟待解决的问题。本文以线上及线下超市为应用背景,构建的智能化超市商品类别检测系统实现了部分整合零售商品信息的目标,给用户带来更便捷的查询途径,这对于商品的流通、宣传都具有积极意义。通常,商品识别系统融合了计算机视觉与信息检索技术。根据应用领域可以区分为面向商品结算场景和面向相似商品搜索场景两大类。本文研究了面向相似商品搜索的应用方向,并重点优化了相关算法。本文构建的基于小样本的超市商品的类别检测系统主要由基于卷积神经网络的商品特征提取、商品数据库、商品检索模型和答案推送四个部分组成,涉及的关键技术包含数据集图像预处理、卷积神经网络、小样本学习。其中商品检索是该系统的核心,主要功能为将用户输入的商品图像与数据库商品信息进行相似度计算,而如何将最相似的类别信息推送给用户,以及对于新类别少量样本的加入,如何保持优秀的分类精度,是本文的研究重点。因此,本文的主要工作是提出了一种新的基于度量的小样本学习方法用于超市商品分类模型,并对其卷积神经网络进行改进,同时完成了基于小样本的超市商品类别检测系统的构建与性能测试。本文设计的基于度量的小样本学习模型,针对传统特征连接语义表示不够充分的问题,创新性地提出了基于深度局部描述符的特征连接算法,并结合卷积神经网络进行度量学习。通过5-way 1-shot和5-way 5-shot训练方式进行对比实验,实现了在RPC零售商品数据集上的最优分类精度。针对卷积神经网络的过拟合问题,本文采用经过微调的ResNet34、ResNet50、Inception-v3模型对特征提取模块与度量学习模块进行了网络宽度和深度上的改进,通过组合对比实验选择出最优网络结构,同时对训练数据集进行了图像增强。改进后的小样本学习分类模型进一步发挥了卷积神经网络的度量功能,分类准确率再次提高,达到99.10%。在系统构建中,将上述模型拆分为两部分,分别作为系统的商品特征提取模型和相似度计算模型。最终通过系统性能测试实验,验证了本文改进算法的可行性。