МЕТОД ПОСЛІДОВНОГО НАВЧАННЯ З РОЗМЕЖОВАНИМИ ПІДМОДЕЛЯМИ ДЛЯ ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ ІЄРАРХІЧНОЇ КЛАСИФІКАЦІЇ ЗОБРАЖЕНЬ ОДЯГУ

Анотація

У статті представлено метод послідовного навчання спеціалізованих моделей для ієрархічної класифікації зображень одягу на основі модифікованої архітектури ResNet-50. На відміну від традиційного підходу з одною моделлю, одним входом та комбінованими виходами, у цій статті виконано побудову трьох окремих моделей, що навчаються послідовно для класифікації категорій, підкатегорій та атрибутів. Експериментальне дослідження проведено на наборі даних Fashion Product Images (Small) з фокусом на категоріях "Одяг" та "Взуття". Результати демонструють суттєве покращення точності класифікації підкатегорій з 78,8% до 83,9% на повному наборі даних та стійкість до зниження точності класифікації в умовах обмежених даних – при зменшенні навчальної вибірки в 10 разів точність класифікації підкатегорій зростає з 32,4% до 70,2%. Розроблений метод забезпечує зменшення сумарного розміру моделей на 45% та швидшу збіжність (21-24 епохи проти 40). Практична цінність методу полягає у можливості ефективної класифікації в умовах обмежених обчислювальних ресурсів та навчальних даних, що є типовою ситуацією для спеціалізованих доменів електронної комерції.