通过电商商城数据集测试OverFeat提取特征点质量

该测试主要针对OverFeat提取商品 特征的精度的测试，忽略了OverFeat提取特征点时间消耗、图片匹配的时间等因素。

测试环境

主机名	配置
test75	Intel® Xeon® 1.80GHz, 8核，16线程，内存 8G， 硬盘 200G

测试数据

为了测试OverFeat提取特征点的质量，采用从XX商城爬取的箱包、作为测试数据库，测试OverFeat提取特征点的效果。上述测试数据库的信息如所示。

数据库名称	描述
XX商城箱包	XX商城箱包频道抓取图片，数据集大小为10000×5,10000件商品，每件商品3～8张图片，图像分辨率为221×221

测试方法

从数据集中随机的抽取10000件商品作为训练集，然后再从剩下数据集中随机选取100件商品，对每件商品的图片中选择1张加入测试集，其余图片加入训练集。用测试集中图片匹配训练集中图片，比较匹配的结果，并将相似度最高测top 10作为输出。

测试结果及分析

使用OverFeat提取特征点

采用accuracy OverFeat CNN网络模型，将第一个全联接层（第22层）作为图像的特征点。其中，第22层输出为一个4096维的向量，即一张图片通过accuracy OverFeat可以提到1个4096维的特征点。提取10000件商品（50000多张图片）的特征点共耗时24小时，并且采用多进程并行提取。

两张图片的匹配

两张图片提取特征点后，先对图片的特征点进行归一化，然后计算两张图片特征点的L2距离，并将L2距离作为两张图片的相似度（相似度越小，两张图片越相似）。

数据集在OverFeat提点+暴力匹配测试结果

OverFeat提点+暴力匹配测试部分结果如下表所示（如果想得到更多测试结果请给我留言）。

编号	测试图片	匹配图片
1
2
3
4
5
6
7
8
9
10

由表可以看出，OverFeat提取的特征点在颜色、形状、商品类型上有很好的区分度，这是由于OverFeat在学习过程中学习到了商品颜色、形状等特征，并且由于采用Softmax分类器作为输出层，对商品分类效果有很好的保证。