跳到主要內容

臺灣博碩士論文加值系統

(44.211.31.134) 您好!臺灣時間:2024/07/25 18:09
字體大小: 字級放大   字級縮小   預設字形  
回查詢結果 :::

詳目顯示

: 
twitterline
研究生:林江勝
研究生(外文):LIN, CHIANG-SHENG
論文名稱:深度學習優化模型在女用服飾辨識之研究
論文名稱(外文):Deep Learning Optimization Models for Women's Clothing Recognition
指導教授:馮玄明
指導教授(外文):FENG, HSUAN-MING
口試委員:馮玄明陳華慶李世安
口試委員(外文):FENG, HSUAN-MINGCHEN, HUA-CHINGLI, SHIH-AN
口試日期:2024-01-06
學位類別:碩士
校院名稱:國立金門大學
系所名稱:理工學院資訊科技與應用碩士在職專班
學門:電算機學門
學類:電算機應用學類
論文種類:學術論文
論文出版年:2024
畢業學年度:112
語文別:中文
論文頁數:56
中文關鍵詞:卷積神經網路影像分析服飾分類
外文關鍵詞:Convolutional neural networkImage analysisClothing classification
相關次數:
  • 被引用被引用:0
  • 點閱點閱:8
  • 評分評分:
  • 下載下載:1
  • 收藏至我的研究室書目清單書目收藏:0
日常生活中,食衣住行與人類關係最密切,表達物慾及生活品質就以衣著為生活必需品,而服飾就是必需品及時尚兼具。
生活忙碌,社交顯得重要,女性同胞的社交場所越來越複雜,如何從服飾預知從事社交活動,是未來顯學,提醒那些服飾,適合於那些場所。
本論文以服飾於居家、休閒、社交(上班、活動)等為主題,利用卷積神經網路進行服飾圖像識別,測試樣本能否區分品項及種類,研究架構先以AlexNet、GoogleNet、ResNetV2、VGG19、ResNet50 等5種卷積模型,對服飾圖像識別做最佳的識別比較,再從中選出最適卷積模型,定以SGD隨機梯度下降法、ADAM自適應力矩估計、RMSProp均方根,三種優化器實驗,實驗出於GoogleNet隨機梯度下降法,學習率0.0003準確率最好,達91.12 %;VGG19隨機梯度下降法學習率0.00006準確率為91.89 %最好,兩組較好模型辨識率比原來分別提升1.93% 及 1.54%,又從混淆矩陣得知分別使第7類和第6類提升準確率,第4類都可達100%,經實驗於居家、休閒、社交服飾圖像辨識率都有提升。
本次研究,得出較適合於本次試驗服飾辨識的模型及參數,可應用於居家、休閒社交(上班、活動)等穿著服飾辨識效能並可透過所建立的參數組合,提供女士於居家、社交、休閒人士搭配應用,並能作為軟體開發商,掌握其差異性,於時間、成本、改進上提供其參考,將可增進開發效益。
In daily life, food, clothing, housing and transportation are the most closely related to human beings. Food is the most important thing for people. In addition to food, clothing is a necessity to express material desires and quality of life. Therefore, clothing is both a necessity and a fashion.
Life is busy, social interaction is important, and the social places for girls are becoming more and more complex. How to predict social activities from clothing is a future lesson, reminding which clothing is suitable for those places.
Due to the rapid changes in technology, we have entered an era that emphasizes speed and efficiency. The use of smart devices to capture images and perform image recognition applications has made great breakthroughs and developments.
This paper focuses on the theme of clothing at home, leisure, social interaction (work, activities), etc., uses convolutional neural network to perform image recognition and tests whether samples can correctly distinguish items and types. The research architecture first uses Alexnet, GoogleNet, ResnetV2, Five convolution models such as VGG19 and ResNet50 are used for the best recognition comparison of clothing image recognition, and then the most suitable convolution model is selected from them. The SGD stochastic gradient descent method, ADAM adaptive moment estimation, and RMSProp root mean square are selected. Three optimizer experiments, the experiment is based on the GoogleNet stochastic gradient descent method, the learning rate is 0.0003, the best is 91.12%; the VGG19 stochastic gradient descent method Ir0.00006 is 91.89%, the best is 91.89%, the two groups have better model recognition rates.
This discussion has led to the conclusion of models and parameters that are more suitable for clothing recognition in this experiment. It can be applied to clothing recognition performance at home, leisure, social (work, activities), etc. and can be used as a software developer to grasp its differences and Providing references in terms of time, cost, improvement, and efficiency will improve development efficiency.

摘要 I
ABSTRACT II
誌謝 IV
目錄 V
表目錄 VII
圖目錄 VIII
第一章 緒論 1
1.1 研究背景及動機 1
1.2 研究目的 1
1.3 研究範圍 2
1.4 研究架構 2
第二章 文獻探討 4
2.1 服飾發展 4
2.2 深度學習 5
2.3 類神經網路 6
2.3.1.神經元 8
2.3.2 感知器 9
2.4 卷積神經網路 11
2.4.1 卷積層 11
2.4.2 線性整流層 13
2.4.3 池化層 13
2.4.4 過擬合 14
2.4.5 完全連接層 15
2.5 混淆矩陣 16
2.6 預訓練模型 17
2.6.1 AlexNet 18
2.6.2 GoogLeNet 18
2.6.3 殘差網路 19
2.6.4 VGGNet 20
2.6.5 ResNet50 20
第三章 研究設計 22
3.1 研究環境 22
3.2 隨機梯度下降法 22
3.3 自適應力矩估計 22
3.4 均方根 23
3.5 資料來源 25
3.6 訓練參數 26
3.6.1 訓練週期 26
3.6.2 學習率 26
第四章 研究結果 31
4.1 實驗一 31
4.2 實驗二 32
4.3 實驗三 優化器比較 34
4.4 實驗四 模組與參數實驗 41
4.5 實驗結果及分析 44
4.5.1 比較分析 48
第五章 結論與建議 51
5.1 研究結論 51
5.2 研究建議 52
參考文獻 54
[1]Mashdigi,微軟、Google將旗下人工智慧等技術用於環境保護,2018/7/17發布,2023/9/20取自: https://mashdigi.com/microsoft-and-geogle-use-its-technologies-to-help-enviroments.
[2]Prateek Karkara,( 2019), Convolutional Neural Networks-Simplified, 2023/11/8取自 https//:medium.com/x8-the-ai-community/cnn-9c5e63703c3f.
[3]李宏毅,研之有物,2017,2023/11/8 取自:https://research.sinica.edu.tw/deep-learning-2017-ai-month/.
[4]郭至恩,2021,深度學習,全華圖書公司,台北。
[5]方湘瑩,2022,唐代多元民族文化下的女性服飾研究,國立中正大學,歷史研究所碩士論文。
[6]陳芓彤、詹詠捷、吳浩宇,2018,唐代婦女服飾研究,國立政治大學附屬高級中學論文。
[7]史詩雜談,中國歷代女子服飾變遷,2017/09/06發佈,2023/10/03取至: https://kknews.cc/history/ooga3z5.html.
[8]TREND,90年代最難忘的時尚,2019/10/03發佈,2023/10/03取至: https://ifchic.com/tw/style-and-trend/1554-unforge.
[9]陳昭明,2021,深度學習,深智數位股份有限公司,台北。
[10]維基百科,人工神經網路,2023/09/12,2023/11/8 取自:https://zh.wikipedia.org/
[11]林柏仰,2019,基於 Inception-Resnet-v2 深度卷積神經網路之即時人臉識別,國立高雄科技大學,電訊工程系碩士論文。
[12]粘昰薪,2017,適用於行動裝置的深度學習影像辨識應用,東海大學資訊工程碩士論文。
[13]紀 虹,2021,卷積神經網路於白葡萄酒品質預測,國立金門大學,理工學院資訊科技與應用碩士論文。
[14]郭芷瑜,2020,人工智慧應用於篩選咖啡豆之研究,國立雲林科技大學,機械工程學系碩士論文。
[15]洪文麟,2016,深度學習應用於以影像辨識為基礎的個人化推薦系統-以服飾樣式為例,國立成功大學,工程科學所碩士論文。
[16]G. Huang, S. Lin, L. V. D. Maaten, K. Weinberger.(2017).CondenseNet: An Efficient DenseNet using Learned Group Convolution,” ar xiv; 1711,09224.
[17]陳霖,2023,人工智慧應用於篩選咖啡豆之研究,國立雲林科技大學,機械工程學系碩士論文。
[18]Krizhevsky, A., Sutskever, I., & Hinton ,, G. E.( 2012) .Imagenet classification with deep convolutional neural networks," Advances in neural information processing systems, vol. 25, pp. 1097-1105.
[19]Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., & Rabinovich , A., (2015). Going deeper with convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 1-9).
[20]Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun.( 2016)..“Deep Residual Learning for Image Recognition,” IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 770 – 778.
[21]Karen, S., & Andrew, Z., (2014). Very deep convolutional networks for large-scale image recognition, arXiv preprint arXiv:1409.1556.
[22]Popular Networks,Convolutional Network for Classification and Detection, 2018/11/20,2023/11/8取自:https://neueohive.io/en/popular-networks/vgg16.
[23]石書霈,2021,基於深度學習與視覺關注度之多視角服飾影像檢索,國立雲林科技大學,電機工程系碩士論文。
[24]張家寶,2021,人工智慧深度學習技術應用於咖啡豆檢測系統,國立屏東科技大學,機械工程系碩士論文。
[25]王耀亨,2022,卷積神經網路影像分類模型效能分析-以金門傳統糕餅為例,國立金門大學,理工學院資訊科技與應用碩士在職專班碩士論文。
[26]陳冠廷,2019,隨機梯度下降法對於順序迴歸模型估計之收斂研究及推薦系統應用,國立政治大學,統計學系碩士論文。
[27]Diederik Kingma, Jimmy Ba.( 2015)Adam: A Method for Stochastic Optimization , ICLR.
[28]Param Aggarwal,Fashion女用服飾,2019/3/15,2023/9/20取自: https://www.kaggle.com/datasets/paramaggarwal/fashion-product-images-dataset.
[29]LeCun ,Y., Bottou, L., Bengio, Y., & Haffner, P.,1998, Gradient-based learning applied to document recognition , Proceedings of the IEEE,86(11), 2278-2324.
[30]林冠廷,2021,神經網路應用於醫學影像之牙根萃取,國立中正大學,機械工程學系碩士論文。

QRCODE
 
 
 
 
 
                                                                                                                                                                                                                                                                                                                                                                                                               
第一頁 上一頁 下一頁 最後一頁 top
無相關期刊