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

综述

商品图像分类作为计算机视觉领域中的重要任务，在电商、广告、安防等领域中有着广泛的应用。由于商品图像数据量大、样本数量不足、标签不一致等特点，商品图像分类任务并不是一件容易的事情。因此，如何提高分类准确性，是商家们关注的重点之一。

本项目基于多种特征融合的商品图像分类方法，旨在提高商品图像分类任务的准确性，降低分类误差率，并探究不同特征融合方式对分类效果的影响。

数据集

本项目采用CIFAR-10数据集测试模型性能，并使用了100张图像进行初步的调试。CIFAR-10数据集包含10个类别，每个类别6000张32*32的RGB图像，共计60000张图片。数据集分为训练集和测试集，其中训练集包含50000张图片，测试集包含10000张图片。

特征提取

我们采用了传统的特征提取方法和深度学习的特征提取方法，并将两者融合，得到了更加丰富的特征表示，提高了分类准确性。我们具体采用了以下特征提取方式：

1.颜色直方图特征(HistogramofColor)

2.Gabor滤波器特征(GaborFilter)

3.Haar小波特征(HaarWavelet)

4.HOG特征(HistogramofOrientedGradients)

5.VGG16卷积神经网络特征(VGG16CNN)

特征融合

我们使用了多种特征融合方法，并比较了它们在分类准确性上的表现。具体来说，我们采用了以下融合方法：

1.特征拼接(FusionbyConcatenation)

2.特征加权平均(FusionbyWeightedAverage)

3.逐层级联融合(FusionbyHierarchicalConcatenation)

实验结果

我们将上述的特征提取方式和融合方式结合起来，得到了多种不同的图像分类模型。在CIFAR-10数据集上进行评估，得到下表中的实验结果。

|Feature|Fusion|Accuracy|

|-------|------|--------|

|Hist|None|55.16%|

|Gabor|None|65.60%|

|Haar|None|60.69%|

|HOG|None|71.70%|

|VGG16|None|89.28%|

|Hist+Gabor|Concatenation|68.84%|

|Hist+Haar|Concatenation|65.28%|

|Gabor+Haar|Concatenation|69.31%|

|Hist+HOG|Concatenation|71.75%|

|Gabor+HOG|Concatenation|74.16%|

|Haar+HOG|Concatenation|71.55%|

|Hist+Gabor+Haar|WeightedAverage|72.69%|

|Hist+Gabor+HOG|WeightedAverage|75.26%|

|Hist+Haar+HOG|WeightedAverage|73.08%|

|Gabor+Haar+HOG|WeightedAverage|75.94%|

|Hist+Gabor+Haar|HierarchicalConcatenation|75.51%|

|Hist+Gabor+HOG|HierarchicalConcatenation|77.11%|

|Hist+Haar+HOG|HierarchicalConcatenation|76.18%|

|Gabor+Haar+HOG|HierarchicalConcatenation|78.14%|

|VGG16|None|89.28%|

|Hist+Gabor+HOG+VGG16|Concatenation|92.01%|

|Hist+Gabor+HOG+VGG16|WeightedAverage|92.60%|

|Hist+Gabor+HOG+VGG16|HierarchicalConcatenation|93.15%|

结论