基于深度学习的产品风格精细识别

TB472%TP183; 为有效提取具有差异性的产品风格特征,提出一种基于复合学习通路的细粒度风格识别卷积神经网络(FSR-CNN).一是注意力学习通路,以残差结构为基础,采用串并结合的方式将坐标注意力、卷积块注意力和多头注意力嵌入其中,提出轻量化的混合注意力残差网络(HA-ResNet),用于抽取"专用特征".二是迁移学习通路,应用微调预先训练的GoogLeNet以扩充HA-ResNet模型容量,实现多感受野"通用特征"抽取.最后对二者输出的特征进行融合,并使用MLP分类器识别产品风格类型.在自行车头盔数据集上进行实验,并与其他经典深度卷积神经网络模型...

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 30; no. 3; pp. 1011 - 1022
Main Authors 李雄, 苏建宁, 张志鹏, 祝铎, 鱼宝银
Format Journal Article
LanguageChinese
Published 兰州理工大学机电工程学院,甘肃 兰州 730050 31.03.2024
兰州理工大学设计艺术学院,甘肃 兰州 730050%兰州理工大学机电工程学院,甘肃 兰州 730050%兰州城市学院培黎机械工程学院,甘肃 兰州 730070%兰州理工大学设计艺术学院,甘肃 兰州 730050
兰州城市学院培黎机械工程学院,甘肃 兰州 730070%兰州理工大学机电工程学院,甘肃 兰州 730050
Subjects
混合注意力
transfer learning
产品造型
复合学习机制
hybrid attention
迁移学习
composite learning mechanism
style recognition
风格识别
product form
Online AccessGet full text
ISSN1006-5911
DOI10.13196/j.cims.2022.0550

Cover

More Information
Summary:TB472%TP183; 为有效提取具有差异性的产品风格特征,提出一种基于复合学习通路的细粒度风格识别卷积神经网络(FSR-CNN).一是注意力学习通路,以残差结构为基础,采用串并结合的方式将坐标注意力、卷积块注意力和多头注意力嵌入其中,提出轻量化的混合注意力残差网络(HA-ResNet),用于抽取"专用特征".二是迁移学习通路,应用微调预先训练的GoogLeNet以扩充HA-ResNet模型容量,实现多感受野"通用特征"抽取.最后对二者输出的特征进行融合,并使用MLP分类器识别产品风格类型.在自行车头盔数据集上进行实验,并与其他经典深度卷积神经网络模型进行比较,实验结果表明FSR-CNN模型表现出较高的准确率和良好的稳健性,为产品风格精细检索与知识重用提供了一种新的模型算法架构.
ISSN:1006-5911
DOI:10.13196/j.cims.2022.0550