In dieser Arbeit wird Match-R-CNN unter dem Gesichtspunkt des Product-Matchings analysiert und implementiert. Bei Match-R-CNN handelt es sich um ein Framework, welches zur Analyse von Bekleidungsbildern eingesetzt werden kann. Es wurde bei Ge et al. [GZW+19] eingeführt. Product-Matching ist die Aufgabe zwei identische Produkte zu identifizieren. Methoden der Bildverabeitung und maschinellen Lernens werden erläutert. Des Weiteren wird der aktuelle Forschungsstand in verwandten Gebieten erörtert. Es war möglich den Aufbau von Match-R-CNN zu analysieren. Hierfür wurden Ge et al. [GZW+19] und Diskussionen im dazugehörigen Github-Repository [git19] herangezogen. Um die Implementierung abschließend zu bewerten, ist weitere Arbeit notwendig.:1 Einleitung
2 Grundlagen
2.1 Bildverarbeitung
2.1.1 Kantenerkennung
2.1.2 Bildfaltung
2.1.3 Probleme bei der Umsetzung
2.2 Convolutional Neural Networks
2.2.1 Probleme bei konventionellen künstlichen neuronalen Netzen
2.2.2 Besonderheiten bei CNNs
2.2.3 Aufbau und Hyperparameter
2.2.4 Training von CNNs
2.2.5 Aktuelle Erkenntnisse
2.3 Ähnlichkeit auf Bildern
3 Verwandte Arbeiten
3.1 Clothing Retrieval und Detection
3.2 Product-Matching
3.3 Deep Similarity
4 Methodik und Umsetzung
4.1 Datensatz
4.2 Datenaufbereitung
4.3 Netzwerkarchitektur
4.3.1 Feature-Network
4.3.2 Matching-Network
4.4 Strategie zur Erzeugung der Trainingspaare
4.5 Matching-Network Training
4.6 Experimente und Zwischenergebnisse
4.7 Ergebnisse
5 Fazit
6 Ausblick
Literaturverzeichnis
Abbildungsverzeichnis
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:79473 |
| Date | 15 June 2022 |
| Creators | Schmidt-Dichte, Stefan |
| Contributors | Hochschule für Technik, Wirtschaft und Kultur Leipzig |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | German |
| Detected Language | German |
| Type | info:eu-repo/semantics/acceptedVersion, doc-type:bachelorThesis, info:eu-repo/semantics/bachelorThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0023 seconds