1、隨著服裝電子商務的蓬勃發(fā)展，網絡上的服裝圖像數(shù)據(jù)量急劇增長。面對海量的服裝圖像數(shù)據(jù)，如果使用人工進行服裝圖像的語義屬性標注以用于分類和檢索，則需要花費大量的人力和時間，而且語義屬性并不能完全表達服裝圖像中的豐富信息，造成檢索效果不佳。因此尋找快捷有效的服裝圖像分類和檢索方法是一個有意義的課題。近年來，深度學習在圖像處理領域取得了卓越的成績，本文基于深度學習對服裝圖像的分類和檢索技術進行研究，主要完成了以下工作:
　　首先簡要介紹了

2、深度學習的基本概念和常用的模型結構，并詳細闡述了卷積神經網絡的原理及其模型組件。針對服裝圖像對多個屬性同時進行分類和識別的要求，構建了基于多任務學習的卷積神經網絡結構。
　　為了克服背景、光照、變形等因素的影響，采用了結合度量學習的卷積神經網絡結構，具體包括Siamese和Triplet兩種模型結構。實驗結果表明，度量學習的引入，特別是采用Triplet結構，可以顯著提高分類的準確性。
　　之后使用訓練好的卷積神經網絡進行特

3、征提取用于圖像檢索，并和基于SIFT特征的檢索方法進行比較。實驗結果表明，檢索時使用卷積神經網絡提取的特征相比于傳統(tǒng)的SIFT特征具有明顯的優(yōu)勢，特別是基于Triplet結構的卷積神經網絡的抗干擾能力顯著提高。此外，融合卷積層和全連接的特征映射作為特征表示也比使用單一的特征映射具有更好的效果。為了更進一步消除背景因素的影響，還使用Faster-RCNN算法進行衣物檢測以提取出感興趣的區(qū)域。
　　最后為了提升檢索速率，采取了兩種可行