Return to search

Product-Matching mithilfe künstlicher neuronaler Netze basierend auf Match-R-CNN

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

Identiferoai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:79473
Date15 June 2022
CreatorsSchmidt-Dichte, Stefan
ContributorsHochschule für Technik, Wirtschaft und Kultur Leipzig
Source SetsHochschulschriftenserver (HSSS) der SLUB Dresden
LanguageGerman
Detected LanguageGerman
Typeinfo:eu-repo/semantics/acceptedVersion, doc-type:bachelorThesis, info:eu-repo/semantics/bachelorThesis, doc-type:Text
Rightsinfo:eu-repo/semantics/openAccess

Page generated in 0.0023 seconds