| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-18页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外相关技术的发展及研究现状 | 第9-11页 |
| 1.2.1 机器学习方法 | 第9-10页 |
| 1.2.2 图像识别技术 | 第10-11页 |
| 1.2.3 关于服饰识别的研究 | 第11页 |
| 1.3 本文使用数据集 | 第11-16页 |
| 1.4 本文的主要工作及内容安排 | 第16-17页 |
| 本章小结 | 第17-18页 |
| 第二章 机器学习方法概述 | 第18-27页 |
| 2.1 引言 | 第18-19页 |
| 2.2 传统机器学习方法 | 第19-23页 |
| 2.2.1 常用传统机器学习方法 | 第19-21页 |
| 2.2.2 支持向量机 | 第21-23页 |
| 2.3 深度学习方法 | 第23-26页 |
| 2.3.1 深度学习方法概述 | 第23-25页 |
| 2.3.2 卷积神经网络 | 第25-26页 |
| 本章小结 | 第26-27页 |
| 第三章 基于支持向量机的中国特色服饰识别 | 第27-37页 |
| 3.1 引言 | 第27页 |
| 3.2 LBP特征与Colorhist特征 | 第27-29页 |
| 3.3 基于支持向量机的特征级联的特色服饰识别算法 | 第29-31页 |
| 3.4 实验及结果分析 | 第31-36页 |
| 3.4.1 实验设置 | 第31-32页 |
| 3.4.2 特征级联模型实现 | 第32-35页 |
| 3.4.3 其它实验对比 | 第35-36页 |
| 本章小结 | 第36-37页 |
| 第四章 基于卷积神经网络的中国特色服饰识别 | 第37-55页 |
| 4.1 引言 | 第37页 |
| 4.2 VGG16模型与微调技术 | 第37-42页 |
| 4.2.1 VGG16模型 | 第37-42页 |
| 4.2.2 微调技术 | 第42页 |
| 4.3 基于VGG16网络微调的特色服饰识别算法 | 第42-45页 |
| 4.4 实验及结果分析 | 第45-54页 |
| 4.4.1 实验设置 | 第45-46页 |
| 4.4.2 微调VGG16网络模型实现 | 第46-49页 |
| 4.4.3 两种识别模型效果对比 | 第49-50页 |
| 4.4.4 其它实验对比 | 第50-54页 |
| 本章小结 | 第54-55页 |
| 第五章 基于安卓的中国特色服饰识别算法移植 | 第55-64页 |
| 5.1 引言 | 第55页 |
| 5.2 实验环境研究 | 第55-57页 |
| 5.2.1 Android系统 | 第55页 |
| 5.2.2 Android Studio移植环境 | 第55-57页 |
| 5.3 移植过程及结果 | 第57-63页 |
| 5.3.1 实验设置 | 第57页 |
| 5.3.2 中国特色服饰识别算法移植过程 | 第57-60页 |
| 5.3.3 APP运行展示 | 第60-63页 |
| 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间参与的项目 | 第70-71页 |
| 致谢 | 第71页 |