基于Xception改进的卷积神经网络服装分类算法
Computer Systems & Applications（2022）
摘要
针对服装图像分类模型的参数量过大,时间复杂度过高和服装分类准确度不高等问题.提出了一种利用网络剪枝方法和网络稀疏约束,减少卷积神经网络Xception中从卷积层到全连接层的冗余参数,增加网络的稀疏性和随机性,减轻过拟合现象,在保证不影响精度的前提下尽可能降低模型的时间复杂度和计算复杂度.此外在卷积层引入了注意力机制SE-Net模块,提升了服装图像分类的准确率.在DeepFashion数据集上的实验结果表明,使用网络剪枝方法缩减的网络模型在空间复杂度上和时间复杂度上均有所降低,服装图像分类准确率和运行效率与VGG-16,ResNet-50和Xception模型相比均有所提升,使得模型对设备的要求更低,深度卷积神经网络在移动端、嵌入式设备中使用成为可能,在实际服装领域的电商平台的应用中有比较高的使用价值.
更多AI 理解论文
溯源树
样例
生成溯源树，研究论文发展脉络
Chat Paper
正在生成论文摘要