基于深度学习的产品风格精细识别
来源：计算机集成制造系统杂志2024年第3期北京时间：
作者：李雄, 苏建宁, 张志鹏, 祝铎, 鱼宝银
单位：1.兰州理工大学机电工程学院2.兰州城市学院 培黎机械工程学院3.兰州理工大学设计艺术学院
摘要：为有效提取具有差异性的产品风格特征,提出一种基于复合学习通路的细粒度风格识别卷积神经网络(FSR-CNN)。一是注意力学习通路,以残差结构为基础,采用串并结合的方式将坐标注意力、卷积块注意力和多头注意力嵌入其中,提出轻量化的混合注意力残差网络(HA-ResNet),用于抽取“专用特征”。二是迁移学习通路,应用微调预先训练的GoogLeNet以扩充HA-ResNet模型容量,实现多感受野“通用特征”抽取。最后对二者输出的特征进行融合,并使用MLP分类器识别产品风格类型。在自行车头盔数据集上进行实验,并与其他经典深度卷积神经网络模型进行比较,实验结果表明FSR-CNN模型表现出较高的准确率和良好的稳健性,为产品风格精细检索与知识重用提供了一种新的模型算法架构。
关键词：产品造型,风格识别,混合注意力,迁移学习,复合学习机制
基金资助：国家自然科学基金资助项目(52165033)。
