高繼強

（湖南工業(yè)大學(xué)，湖南 株洲412007）

圖像檢索指的是對目標圖像中的某一物體，從圖像庫中找出包含有該物體的圖像，并且返回所有與之相似的圖像。將輕量級神經(jīng)網(wǎng)絡(luò)應(yīng)用于服裝圖形檢索，屬于深度學(xué)習(xí)在時尚領(lǐng)域內(nèi)的實際應(yīng)用，因為深度學(xué)習(xí)作為機器學(xué)習(xí)領(lǐng)域內(nèi)的一個重要分支，其算法具有強大的自動特征提取能力及高效的特征表達能力。

在計算機視覺領(lǐng)域內(nèi)，深度學(xué)習(xí)算法可以實現(xiàn)從低層到高層漸進的特征提取，最終獲得較理想的特征表達，因此深度學(xué)習(xí)具有廣闊的應(yīng)用前景。神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)領(lǐng)域內(nèi)的高效算法，近年來隨著深度學(xué)習(xí)的火熱也獲得了大規(guī)模應(yīng)用。自2012 年AlexNet以來，各種神經(jīng)網(wǎng)絡(luò)模型層出不窮，如GoogLeNet、ResNet 等。這些神經(jīng)網(wǎng)絡(luò)為了獲得更好的性能，網(wǎng)絡(luò)層數(shù)不斷增加，對于硬件資源的消耗越來越大，對于計算能力的需求也越來越高。雖然網(wǎng)絡(luò)性能得到了提高，但隨之而來的就是效率問題。為了使神經(jīng)網(wǎng)絡(luò)獲得更加廣泛的應(yīng)用，需要設(shè)計出更高效的網(wǎng)絡(luò)模型。

輕量級神經(jīng)網(wǎng)絡(luò)的核心思想并不是傳統(tǒng)的模型壓縮，即在已經(jīng)訓(xùn)練好的模型上進行壓縮，而是設(shè)計出更高效的卷積方式，從而使網(wǎng)絡(luò)攜帶更少的網(wǎng)絡(luò)參數(shù)，減少內(nèi)存的消耗，進而可以減少網(wǎng)絡(luò)的計算量，對于計算能力也沒有過高的要求，尤其適合于移動端，嵌入式設(shè)備，配置較低的電腦等場景，這為神經(jīng)網(wǎng)絡(luò)走出學(xué)術(shù)界，邁向工業(yè)界打下了堅實的基礎(chǔ)，具有很高的實際意義。

MobileNet 系列網(wǎng)絡(luò)作為典型的輕量級神經(jīng)網(wǎng)絡(luò)，以此為基礎(chǔ)搭建神經(jīng)網(wǎng)絡(luò)模型更加便捷與高效。Deep Fashion 服裝圖像數(shù)據(jù)集共50 種類別，約為28 萬張圖片，可以保證神經(jīng)網(wǎng)絡(luò)得到充分的訓(xùn)練，對其進行數(shù)據(jù)增強之后，可以盡量減少欠擬合現(xiàn)象的出現(xiàn)。

1 算法流程

基于輕量級神經(jīng)網(wǎng)絡(luò)的服裝圖像檢索的算法流程主要分為三個步驟：

1.1 對Deep Fashion 數(shù)據(jù)集中的圖像進行預(yù)處理。Deep Fashion 數(shù)據(jù)集是香港中文大學(xué)多媒體實驗室發(fā)布的數(shù)據(jù)集，主要圖片來源為網(wǎng)絡(luò)電商購物平臺中的服裝圖片。其中類別預(yù)測中包含28 萬張圖片，分為50 類衣物，每種衣服有不同姿勢的若干張圖片。預(yù)處理中包括數(shù)據(jù)集的劃分，數(shù)據(jù)增強，數(shù)據(jù)歸一化處理，數(shù)據(jù)類型的轉(zhuǎn)化等操作。

1.2 以MobileNet 神經(jīng)網(wǎng)絡(luò)的v2 版本作為基礎(chǔ)來進行模型搭建。模型搭建完畢之后，將步驟一中經(jīng)過預(yù)處理之后的圖片送入神經(jīng)網(wǎng)絡(luò)模型中進行訓(xùn)練，保證網(wǎng)絡(luò)模型得到充分的訓(xùn)練。

1.3 利用劃分出的驗證集進行網(wǎng)絡(luò)功能的測試，得到輸出的結(jié)果。

2 圖像預(yù)處理

首先是對數(shù)據(jù)集的劃分，按照8:1:1 的比例劃分成訓(xùn)練集，驗證集和測試集。訓(xùn)練集主要通過學(xué)習(xí)樣本數(shù)據(jù)集，進而匹配一些參數(shù)來建立一個分類器。驗證集主要針對學(xué)習(xí)出來的模型，調(diào)整分類器的參數(shù)，驗證集還用來確定網(wǎng)絡(luò)結(jié)構(gòu)或者控制模型復(fù)雜程度的參數(shù)。測試集的作用主要就是測試訓(xùn)練好的模型的分辨能力、泛化能力等。

將數(shù)據(jù)集中的圖片劃分為訓(xùn)練集、驗證集和測試集之后，下一步是制作存放有圖片路徑及其標簽的文本文件，PyTorch 依據(jù)該文本文件上的信息尋找圖片，并讀取圖片數(shù)據(jù)和標簽數(shù)據(jù)，再通過Dataset 類讀取數(shù)據(jù)集中的圖片。

在預(yù)處理過程中還需要對圖像進行數(shù)據(jù)增強，主要通過：

transforms.CenterCrop 實 現(xiàn) 中 心 裁 剪； 通 過 transforms.RandomRotation 實現(xiàn)隨機旋轉(zhuǎn)；通過transforms.ToTensor 實現(xiàn)數(shù)據(jù)類型的轉(zhuǎn)換；通過transforms.RandomChoice(transforms)，從給定的一系列transforms 中選一個進行操作；通過自定義函數(shù)計算出數(shù)據(jù)集的均值和方差，并通過transforms.Normalize()函數(shù)進行數(shù)據(jù)的歸一化。其中進行數(shù)據(jù)歸一化是因為歸一化后會加快梯度下降求最優(yōu)解的速度，還可以提高精度。

3 構(gòu)建輕量級神經(jīng)網(wǎng)絡(luò)

本文以MobileNet 神經(jīng)網(wǎng)絡(luò)的v2 版本作為基礎(chǔ)來進行模型搭建。MobileNet 由谷歌團隊提出，v1 版本論文發(fā)表于2017 年的國際計算機視覺與模式識別會議。V2 版本在v1 的基礎(chǔ)上進行了改進，在采用深度可分離卷積的基礎(chǔ)上引入了線性瓶頸結(jié)構(gòu)和反向殘差結(jié)構(gòu)。這使得該網(wǎng)絡(luò)擁有更小的體積，更少的計算量，更高的精度，在輕量級神經(jīng)網(wǎng)絡(luò)中擁有極大的優(yōu)勢。

表1 MobileNet v2 網(wǎng)絡(luò)結(jié)構(gòu)特點

圖1 實驗結(jié)果

線性瓶頸結(jié)構(gòu)是網(wǎng)絡(luò)結(jié)構(gòu)的重要創(chuàng)新點，從Bottleneck 結(jié)構(gòu)演變而來的。Bottleneck 結(jié)構(gòu)首次被提出是在ResNet 網(wǎng)絡(luò)中。該網(wǎng)絡(luò)結(jié)構(gòu)的第一層使用逐點卷積，第二層采用3×3 大小的卷積，使用深度可分離卷積，第三層使用逐點卷積。線性瓶頸結(jié)構(gòu)相對普通的卷積能夠減少參數(shù)數(shù)量，減少卷積計算量，能夠從空間和時間上進行網(wǎng)絡(luò)的優(yōu)化。

MobileNetV2 版本中的殘差結(jié)構(gòu)使用第一層逐點卷積升維并使用Relu6 激活函數(shù)，普通的Relu 激活函數(shù)對于大于0 的值不進行處理，但是對于Relu6 而言，當輸入的值大于6 的時候，返回6，它作為非線性激活函數(shù)，在低精度計算下具有更強的魯棒性。之后使用深度可分離卷積，同樣使用Relu6 激活函數(shù)，再使用逐點卷積降維，降維后使用線性激活函數(shù)。這樣的卷積操作方式更有利于降低計算量。

該網(wǎng)絡(luò)模型中共有17 個Bottleneck 層，每個Bottleneck 包含兩個逐點卷積層和一個深度卷積層，一個標準卷積層，兩個逐點卷積層，整個網(wǎng)絡(luò)模型中一共有54 層可訓(xùn)練參數(shù)層。MobileNetV2 中使用線性瓶頸和反向殘差結(jié)構(gòu)優(yōu)化了網(wǎng)絡(luò)，加深了網(wǎng)絡(luò)層次的同時，壓縮了模型的體積，使模型的運算速度更快。

4 結(jié)果與分析

本實驗所用主要硬件參數(shù)為：英偉達rtx2080ti-11G GPU 一塊，英特爾i9-9900k CPU 一顆，DDR4 2400MHz 16G 內(nèi)存兩條。深度學(xué)習(xí)框架采用pytorch，Python 版本為3.7.2。實驗過程中，訓(xùn)練集數(shù)據(jù)量為圖像數(shù)據(jù)集的80%，測試集數(shù)據(jù)量為圖像數(shù)據(jù)集的10%，驗證集數(shù)據(jù)量為圖像數(shù)據(jù)集的10%，選取圖像的方式為隨機抽取，實驗訓(xùn)練次數(shù)為60 次(圖1，表3)。

表3 測試集結(jié)果

本文將輕量級神經(jīng)網(wǎng)絡(luò)應(yīng)用于服裝圖像檢索中，具有一定的實用性。從實驗結(jié)果來看，輕量級神經(jīng)網(wǎng)絡(luò)基本完成了服裝的圖像檢索任務(wù)，準確率和召回率都較高。本文使用的神經(jīng)網(wǎng)絡(luò)以盡可能小的網(wǎng)絡(luò)結(jié)構(gòu)更高效地完成了服裝檢索工作，與其他大型的網(wǎng)絡(luò)模型相比，在未降低準確率的前提下完成了檢索工作。在之后的改進中，將著眼于模型的實際應(yīng)用，將其應(yīng)用于移動客戶端等。