基于多特征融合的商品图像分类的中期报告.docx

基于多特征融合的商品图像分类的中期报告
1.研究背景和意义
随着电子商务的迅猛发展，商品图像分类的需求越来越大。商品图像分类是指将图像分为一组已知类别的图像中的一个类别。对于电子商务平台，商品图像分类能够帮助商家快速了解自己的产品，并找到相似的竞争对手。对于消费者，商品图像分类能够帮助消费者找到自己想要的产品，并减少浏览时间。
商品图像分类一直是计算机视觉领域的研究热点，近年来，深度学习技术的出现，使商品图像分类的准确率和速度都有了质的飞跃。但是，商品图像分类依然面临几个挑战，如：
1）特征维数高，难以处理大规模图像数据
2）有些商品图像间的差异性不够大，容易发生错分
3）由于商品种类繁多、样本不平衡、高斯噪声等原因，影响商品图像分类的精度
为此，基于多特征融合技术的商品图像分类方法在近期受到了广泛关注，并在很多和现实生活中的应用中得到了证明。它能够从不同角度提取商品图像的特征，从而提高分类的准确率。
2.研究内容和方法
本研究提出一种基于多特征融合的商品图像分类方法。主要工作如下：
1）对商品图像进行预处理，如尺寸归一化、图像增强等
2）从局部、全局和深度视觉特征三个方面提取商品图像的特征
局部视觉特征是指局部区域的外观信息，常用的方法有SIFT、SURF、ORB等
全局视觉特征是指整幅图像的直方图特征、颜色特征、纹理特征等，可以用颜色直方图、LBP等方法来提取
深度视觉特征是指使用深度学习模型，如VGG、ResNet、Inception等，从数据中自动挖掘出高级别的特征
3）利用SVM分类器对提取的特征进行分类
4）采用特征融合方法将三个方面提取得到的特征进行融合
特征加权融合：按照权值把每个特征的输出加权相加得到最终的输出；
特征层次融合：将每个特征的输出作为每一层输入，依次连接成一个深度模型，最后使用全连接层得出最终的结果；
特征决策融合：使用多个分类器分别对每种特征进行分类，最终的分类结果由每个分类器的结果进行决策融合得出。
3.目前进展
目前，本研究已经完成了基于局部、全局和深度视觉特征的商品图像分类模型，并采用特征加权融合方法将三种特征融合起来，初步实现了商品图像的分类。此外，正在进行以下工作：
1）进一步研究和比较不同的特征融合方法（如特征层次融合和特征决策融合），并优化分类器参数
2）采用更多的图像增强方法，进一步优化预处理过程
3）进一步调整和增加训练数据，提高分类的准确率和鲁棒性
4）增加商家自主上传的图片数据集，增加数据集多样性
4.未来计划
1）进一步完善算法，提高准确率和鲁棒性
2）应用算法到实际的电子商务平台上，对算法进行实际测试
3）设计并实现一个基于多特征融合的商品图像分类系统，使其能够实现自动化的商品图像分类，满足用户需求，具有可持续发展性