王呈祥 薛玉晨
江苏省苏州市职业大学
摘要：服饰是电子商务中的重要品类，能准确识别服饰种类对于电子商务营销有较大价值。针对这个问题，本文研究基于轻型神经网络架构的具体服饰类别识别系统。本文主要研究了基于MobileNet -V1网络结构的迁移学习算法，根据实验结果不断地优化神经网络模型结构。本文首先介绍卷积神经网络，然后介绍MobileNet -V1的网络结构与特点，基于MobileNet -V1网络结构的迁移学习实验结果，结果显示系统训练速度快，识别率高。
关键词：神经网络，图像识别，卷积神经网络，MobileNet -V1，迁移学习
项目编号：苏州市职业大学研究性课程（SZDYKC-190707）
引言
图像能够体现出事物的特征，通过图像我们能够识别出具体事物。然而很多事物的特征往往会存在相似的情况，人类都可能识别不了，这时候通过人工神经网络识别往往概率会比较高，人工神经网络能够通过不断地学习来提高识别的正确率。本文主要研究的是搭建基于MobileNet -V1神经网络模型训练识别T-shirt，并提高识别的成功率。
一、卷积神经网络
卷积神经网络通过一些相互连接的神经元可以组成一个基本的神经网络。神经网络能通过模拟人脑的抽象，表现出大脑处理的很多基本的功能，底层的一些神经元提取出图像的特征，最后集合神经元能够组成一个完整的图像[1]。
CNN是属于前馈型的一类神经网络，且包含卷积运算和深度结构，CNN有两个特点：参数共享、局部感知。构成CNN可以分为三个，第一部分是为输入层，第二部分是卷积层与池化层的组合，第三部分是一个多层全连结神经网络。相比于普通的神经网络，CNN拥有一个特征抽取器，它由一个卷积层与子采样层组成，因为具有卷积和子采样，所以简化了模型的复杂度和参数。卷积神经网络相比于其他的网络结构，需要用到的参数会少一些，所以在图像处理方面有着比较大的优势，现广泛运用于图像的定位与分类中。
二、MobileNet -V1的网络结构与特点
MobileNet -V1是一种深度可分离卷积轻量化的神经网络，适用于简单的硬件设备，针对单个输入通道，用单个卷积核进行卷积，相比于普通的神经网络结构，大大缩减了计算量和模型，提高了训练的成功率[3]。
（一）深度可分离卷积
深度可分离卷积将一个传统的卷积运算分成深度卷积层与点卷积层[2]。深度可分离卷积由于其可以处理空间维度、深度维度方面的参数，被称为深度可分离卷积。它可以分离一个标准卷积为一个1*1的卷积和深度卷积，减少了卷积核的冗余表达。
图 1 深度可分离卷积网络结构
MobileNet -V1结构由深度可分离卷积构成，MobileNet -V1的网络结构由一个3*3的卷积s2进行下采样、一些堆积深度可分离卷积、平均池化层、全连接层、softmax层组成，一共28层，深度卷积层占据13层。如下图 2：
图 2 深度卷积层
三、迁移学习
迁移学习适用于低数据量的模型训练，是一种高效的神经网络，把一个已经训练过的模型用到类似的实现目标中，不需要训练多次就能得到很好的训练结果，搭建一个卷积神经网络去完成某个目标是一个工作量很大而且效率不高的的做法，通过运用迁移学习，能大量缩减实验的工作量。本文通过迁移学习，寻找到适合的网络模型搭建神经网络完成训练，达到了目标结果。
四、基于MobileNet -V1网络的T-shirt识别
（一）网络结构
本文网络结构是基于MobileNet -V1网络建立的一个模型，第一层是迁移的MobileNet -V1网络结构，第二层为一个池化层，第三层是全连接层，最后是输出层。如下图 3：
图 3 网络结构
（二）测试结果
使用从网络上搜集的各类服饰图像和T-shirt图像训练，经过一次训练15次的测试和一次训练50次的测试，可以看到训练结果如图 4，基于MobileNet -V1网络结构的训练模型在训练15次时训练的成功率就已经接近99%，进行50次训练时已经没有提升的空间了。
图 4 训练过程
在模型评估结果方面，50次训练相比于15次也有了很大的提升如下图 5：
图 5 模型评估
最后通过随机挑选一张图片进行判断，模型也成功地识别出来，如下图 6：
图 6识别效果
通过实验结果可以看出基于MobileNet -V1网络建立的模型在训练时取得了令人满意的成果，随着训练次数的上升训练的成功率有了很大的提高，测试的成功率也有较大的提升。
总结
本文主要描述的是基于MobileNet -V1网络结构识别T-shirt，现在基本的研究都是关于数据集的服饰分类，图片的格式和形式有很大的限制，数据量也非常的大，并不具有代表性。本文的研究主要在低训练次数、数据量少的情况下对具体的服饰进行识别，对已有的研究算是一种补足，最终的实验结果取得了很大的收获，实验结果也符合预期的目标。受实验数据和实验设备的局限，本次实验理应还有很大的提升空间，笔者在将来的学习中会更多的进行相关的学习，继续完善网络模型，实现更多的目标。
参考文献：
[1]常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安.图像理解中的卷积神经网络[J].自动化学报,2016,42(09):1300-1312.
[2]刘昶忻,李目.基于深度可分离卷积网络的航拍绝缘子检测[J].机电信息,2021(02):43-45+48.
[3]孙彦,丁学文,雷雨婷,陈静,孔祥鑫.基于SSD_MobileNet _v1网络的猫狗图像识别[J].天津职业技术师范大学学报,2020,30(01):38-44.
[4]杨建刚.人工神经网络实用教程[M].浙江大学出版社,2001.
[5]李飞腾.卷积神经网络及其应用[D].大连理工大学,2014.
[6]周飞燕,金林鹏,董军.卷积神经网络研究综述[J].计算机学报,2017(6).
[7]陈先昌.基于卷积神经网络的深度学习算法与应用研究[D].浙江工商大学,2014.
[8]邵浩.迁移学习[M].上海交通大学出版社,2013.