卷積神經(jīng)網(wǎng)絡(luò)少數(shù)民族服裝識別分類綜述

摘要：近年來，分類技術(shù)已經(jīng)在很多領(lǐng)域取得了成功，其中包括人臉識別、商品識別以及少數(shù)民族服飾識別等。然而，在服飾分類應(yīng)用領(lǐng)域中，識別穿著少數(shù)民族服裝的人仍然是一個具有挑戰(zhàn)性的問題。這主要是由于少數(shù)民族服裝的特征較為復(fù)雜，具有較多的個體差異性，而且在不同場景環(huán)境下表現(xiàn)也各不相同，因此難以提取穩(wěn)定且魯棒的特征。該綜述了基于卷積神經(jīng)網(wǎng)絡(luò)的少數(shù)民族服裝識別分類方法的研究現(xiàn)狀，深入分析了少數(shù)民族服裝識別中存在的挑戰(zhàn)，并探討了基于深度卷積神經(jīng)網(wǎng)絡(luò)的民族服裝識別分類的未來發(fā)展方向。

關(guān)鍵詞：少數(shù)民族服飾；圖像識別；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP18文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2024）35-0029-02開放科學(xué)（資源服務(wù)）標(biāo)識碼（OSID）：

0引言

隨著電子商務(wù)和網(wǎng)絡(luò)的快速發(fā)展，對服裝識別精度的要求日益提高，少數(shù)民族服裝的多樣性和復(fù)雜性給其自動識別帶來了巨大挑戰(zhàn)。穿著不同服飾的各族群日益增多，以傳統(tǒng)民族服裝為代表的少數(shù)民族服裝日益受到廣泛關(guān)注和發(fā)展。少數(shù)民族服裝的多樣性和復(fù)雜性，使得其識別難度較大。然而，通過利用卷積神經(jīng)網(wǎng)絡(luò)的特征提取和分類能力，可以實現(xiàn)對少數(shù)民族服裝的準(zhǔn)確識別。

目前，已有諸多基于卷積神經(jīng)網(wǎng)絡(luò)的少數(shù)民族服裝識別方法被提出。其中，主要分為兩類：傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型和基于遷移學(xué)習(xí)的方法。在傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型方面，LeNet-5、AlexNet、VGG、GoogLeNet和ResNet等經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型被廣泛應(yīng)用于少數(shù)民族服裝識別任務(wù)。這些模型通過對圖像進行卷積、池化、非線性激活等操作，實現(xiàn)對少數(shù)民族服裝圖像的特征提取和分類。在基于遷移學(xué)習(xí)的方法方面，主要采用預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型作為特征提取器，然后在少數(shù)民族服裝數(shù)據(jù)集上進行微調(diào)，以提高模型的準(zhǔn)確性。目前，使用預(yù)訓(xùn)練的VGG、ResNet和Inception等模型作為特征提取器的方法已經(jīng)取得了顯著效果。本文綜述了基于卷積神經(jīng)網(wǎng)絡(luò)的少數(shù)民族服裝識別方法，重點分析了現(xiàn)有方法的優(yōu)缺點，并探討了未來的研究方向，以期為該領(lǐng)域的研究提供參考。

1少數(shù)民族服裝識別研究背景

1.1少數(shù)民族服裝識別的任務(wù)

隨著社會經(jīng)濟的快速發(fā)展，少數(shù)民族傳統(tǒng)服飾文化正處于瀕臨消失的邊緣，如何保護少數(shù)民族傳統(tǒng)服飾的遺產(chǎn)和文化已成為當(dāng)代社會的熱點話題，并成為重點研究內(nèi)容[1]。然而，這些研究大多仍停留在視覺計算機視覺技術(shù)層面，可用于保護民族服飾遺產(chǎn)和文化[2]。由于大部分研究者從社會科學(xué)的視角開展民族服飾文化的傳承與保護工作，缺乏信息技術(shù)應(yīng)用。每個民族都具有其獨特的服飾文化，信息工作量巨大。

目前，計算機視覺技術(shù)應(yīng)用于民族服飾文化的傳承與保護仍處于初級階段。雖然有學(xué)者對民族服飾形象進行了研究，但對這些服飾形象[3]中主要圖騰的自動優(yōu)化[4-5]、提取、分類[6-7]和識別等方面的研究較少，影響了從大量民族服飾形象[8]中快速有效地檢索和識別。

1.2少數(shù)民族服裝識別的任務(wù)問題及建議

近年來，少數(shù)民族服裝的識別方法大部分僅能提取服裝的色彩、圖案、形狀等特征。

網(wǎng)絡(luò)模型需要固定大小的輸入圖像。當(dāng)數(shù)據(jù)集的圖像呈現(xiàn)任意大小和比例時，將輸入圖像裁剪或縮放至固定大小會丟失部分原始圖像信息，從而影響識別的準(zhǔn)確性。針對這些問題，提出以下建議：

1）為解決少數(shù)民族服飾數(shù)據(jù)集數(shù)量不足，導(dǎo)致服裝識別準(zhǔn)確率不高且魯棒性差等問題，可以使用爬蟲工具爬取少數(shù)民族服裝圖像，并對爬取下來的圖像數(shù)據(jù)進行清洗過濾的預(yù)處理操作，以收集多個服裝數(shù)據(jù)集。

1）為解決少數(shù)民族服飾數(shù)據(jù)集數(shù)量不足，導(dǎo)致服裝識別準(zhǔn)確率不高且魯棒性差等問題，可以使用爬蟲工具爬取少數(shù)民族服裝圖像，并對爬取下來的圖像數(shù)據(jù)進行清洗過濾的預(yù)處理操作，以收集多個服裝數(shù)據(jù)集。度數(shù)據(jù)集的問題，并充分提取服裝局部特征。

3）將卷積神經(jīng)網(wǎng)絡(luò)與注意力機制相結(jié)合，以更好地提取復(fù)雜圖像的特征。注意力機制能夠有效地增強圖像特征提取，更有針對性地表達(dá)出少數(shù)民族服裝圖像的特征。

4）通過結(jié)合可視化處理技術(shù)改進服裝局部特征和對服裝整體使用注意力機制，更有效地提取圖像的復(fù)雜特征。

2卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)是目標(biāo)檢測算法的基礎(chǔ)。CNN具有較強的圖像特征獲取能力，已經(jīng)成為基于深度學(xué)習(xí)[9]的目標(biāo)檢測算法的基本骨干網(wǎng)絡(luò)。目前，主流的CNN網(wǎng)絡(luò)結(jié)構(gòu)包括Alex-Net、VGG-Net、Inception、ResNet等。

2.1AlexNet

Alex-Net[10]在ILSRVC-2012數(shù)據(jù)集的分類任務(wù)中獲得第一名，此后深度學(xué)習(xí)領(lǐng)域備受關(guān)注。ZF-Net、Google-Net、ResNet、VGG-Net等網(wǎng)絡(luò)模型使卷積神經(jīng)網(wǎng)絡(luò)在圖像分類方面取得重大突破。Krizhevsky等人提出的AlexNet模型結(jié)構(gòu)共有8層，其中前5層結(jié)構(gòu)分別采用一個卷積層后連接一個最大池化層的方式相連，后3層為全連接層，模型總共包含6000多萬個參數(shù)。由于少數(shù)民族服裝樣式的多樣性、圖騰的多元化以及拍攝場景的多變性，使得其識別分類成為一個極具挑戰(zhàn)性的研究課題。

2.2VGGNet

牛津大學(xué)的學(xué)者于2014年提出了VGGNet[11]。VGGNet采用相同大小的卷積核和最大池化核，將卷積層和最大池化層相結(jié)合，形成11～19層深度的卷積神經(jīng)網(wǎng)絡(luò)。VGGNet的核心思想是通過使用較小的卷積核和增加網(wǎng)絡(luò)深度來提升模型性能。VGG19在2014年大規(guī)模視覺識別挑戰(zhàn)賽（ILSVRC）的定位和分類兩個項目中分別獲得第一名和第二名的成績。與以往的模型相比，VGGNet顯著降低了錯誤率，同時具有較強的可擴展性和較好的泛化性。VGG-19網(wǎng)絡(luò)模型共19層，包括16個卷積層和3個全連接層。每個卷積層使用大小為3×3的相同卷積核，并連接五個池化層（使用最大池化方法）來執(zhí)行五階段卷積特征提取。整個網(wǎng)絡(luò)結(jié)構(gòu)呈現(xiàn)高度對稱性。該網(wǎng)絡(luò)使用ReLU激活函數(shù)代替S型或tanh函數(shù)以縮短訓(xùn)練時間，并引入dropout機制來防止過擬合。Chun-yanDONG等人[12]在優(yōu)化后的VGG-Net中加入空間金字塔池化，消除了固定大小輸入圖像的限制，平均準(zhǔn)確率達(dá)到87.28%。研究表明，與Google-Net和經(jīng)過優(yōu)化的VGG-Net相比，組合網(wǎng)絡(luò)對服裝圖像的風(fēng)格識別具有更高的交叉驗證準(zhǔn)確率。服裝圖像風(fēng)格識別網(wǎng)絡(luò)能夠靈活地解決不同尺寸和尺度數(shù)據(jù)集的問題，提高了服裝圖像風(fēng)格識別的準(zhǔn)確性。此外，該網(wǎng)絡(luò)也適用于其他數(shù)據(jù)集的分類或識別任務(wù)。因此，VGG-Net更適合服裝圖像風(fēng)格識別任務(wù)。

2.3ResNet

隨著卷積神經(jīng)網(wǎng)絡(luò)層數(shù)的增加，梯度在多層反向傳播中越來越小，最終消失，且隨著網(wǎng)絡(luò)深度的增加，誤差不斷增大。為解決這一問題，何開明團隊于2015年提出ResNet[13]，引入網(wǎng)絡(luò)層之間的跳變網(wǎng)絡(luò)結(jié)構(gòu)，通過增加網(wǎng)絡(luò)深度來防止梯度消失。該方法通過在標(biāo)準(zhǔn)前饋神經(jīng)網(wǎng)絡(luò)上增加跳變來繞過部分層，實現(xiàn)快速連接，解決了梯度消失問題。在一個殘差網(wǎng)絡(luò)模塊中，一般的快速連接會跳過2～3層，甚至更多。在ImageNet數(shù)據(jù)集中，采用152層來評估網(wǎng)絡(luò)。雖然深度是VGG網(wǎng)絡(luò)結(jié)構(gòu)的8倍，但復(fù)雜度仍然較低。當(dāng)前大多數(shù)模型研究仍停留在對服裝色彩、圖案和形狀等淺層特征的提取，缺乏對更復(fù)雜紋理進行深層次的語義信息提取，且現(xiàn)有數(shù)據(jù)集規(guī)模較小，限制了模型的泛化能力。常用的CNN如表1所示。

3討論

隨著海量服裝的出現(xiàn)，在復(fù)雜規(guī)則下，手工標(biāo)注服裝款式需要耗費大量時間和精力。此外，手工標(biāo)注服裝款式往往具有主觀性。少數(shù)民族服裝圖像的風(fēng)格識別可通過圖像識別或圖像分類技術(shù)來實現(xiàn)。通過對圖像進行裁剪、翻轉(zhuǎn)等圖像增強技術(shù)可解決數(shù)據(jù)集不足的問題。通過將模型與遷移學(xué)習(xí)方法和注意力機制等技術(shù)相結(jié)合可提升模型的識別精度。在未來的研究中，將考慮采用民族服裝圖像紋理識別算法來改進現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)。

參考文獻(xiàn)：

[1]HANNAMG，AHMEDI，NINEJ，etal.Augmentedrealitytech?nologyusingmicrosoftHoloLensinanatomicpathology[J].Ar?chivesofPathologyamp;LaboratoryMedicine，2018，142（5）：638-644.

[2]TOMDIECKMC，JUNGT.Atheoreticalmodelofmobileaug?mentedrealityacceptanceinurbanheritagetourism[J].CurrentIssuesinTourism，2018，21（2）：154-174.

[3]MUHAMMADA，WANGGJ.Segmentationofcalcificationandbrainhemorrhagewithmidlinedetection[C]//2017IEEEInter?nationalSymposiumonParallelandDistributedProcessingwithApplicationsand2017IEEEInternationalConferenceonUbiquitousComputingandCommunications（ISPA/IUCC）.IEEE，2017：1082-1090.

[4]GAOJC，WANGHY，SHENHY.Taskfailurepredictioninclouddatacentersusingdeeplearning[C]//2019IEEEInterna?tionalConferenceonBigData（BigData）.IEEE，2019：1111-1116.

[5]RAUFHT，HADIM，REHMANA.Batalgorithmwithweibullwalkforsolvingglobaloptimisationandclassificationproblems[J].InternationalJournalofBio-InspiredComputation，2020，15（3）：159-170.

[6]RAUFHT，MALIKS，SHOAIBU，etal.AdaptiveinertiaweightBatalgorithmwithSugeno-functionfuzzysearch[J].AppliedSoftComputing，2020，90：106159.

[7]GAOJ，WANGH，SHENH.Machinelearningbasedworkloadpredictionincloudcomputing[C]//Proceedingsofthe29thIn?ternationalConferenceonComputerCommunicationsandNet?works（ICCCN）.Honolulu：IEEE，2020：1-9.

[8]KAVANAGHS，LUXTON-REILLYA，WUENSCHEB，etal.Asystematicreviewofvirtualrealityineducation[J].ThemesinScienceandTechnologyEducation，2017，10（2）：85-119.

[9]李明熹，林正奎，曲毅.計算機視覺下的車輛目標(biāo)檢測算法綜述[J].計算機工程與應(yīng)用，2019，55（24）：20-28.

[10]KRIZHEVSKYA，SUTSKEVERI，HINTONGE.Imagenetclassificationwithdeepconvolutionalneuralnetworks[C]//Ad?vancesinNeuralInformationProcessingSystems.LakeTahoe：MITPress，2012：1097-1105.

[11]SIMONYANK，ZISSERMANA.Verydeepconvolutionalnet?worksforlarge-scaleimagerecognition[R/OL].arXiv：1409.1556，2014.

[12]DONGCY，YOUQ，etal.ConvolutionalNeuralNetworksforClothingImageStyleRecognition[C]//ProceedingsofInterna?tionalConferenceonPatternRecognitionandArtificialIntelli?gence.Montreal：IEEE，2018.

[13]HEK，ZHANGX，RENS，etal.Deepresiduallearningforim?agerecognition[C]//ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.LasVegas：IEEE，2016：770-778.

[14]HUANGG，LIUZ，VANDERMAATENL，etal.Denselycon?nectedconvolutionalnetworks[C]//ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.Ho?nolulu：IEEE，2017：4700-4708.

[15]HOWARDAG，ZHUM，CHENB，etal.MobileNets：Efficientconvolutionalneuralnetworksformobilevisionapplications[R/OL].arXiv：1704.04861，2017.

【通聯(lián)編輯：謝媛媛】

基金項目：廣西高校中青年教師科研基礎(chǔ)能力提升項目（項目編號：2022KY0650）；2022年引進人才科研啟動項目（項目編號：302061166）；廣西高校中青年教師科研基礎(chǔ)能力提升項目（項目編號：2022KY1104）