一、基于Web的服装图片采集发布管理系统（论文文献综述）
王琪[1]（2020）在《基于VR的服装搭配展示系统的设计与实现》文中指出随着互联网的不断发展,VR市场总体发展向好,理论逐渐完善,开发应用领域广泛,基于VR技术的项目工程越来越多,服装领域的研究与实践也越来越丰富。通过对现在的市场与现有研究成果的分析,决定基于VR技术实现服装搭配展示系统,在提供服装搭配推荐方案的同时,构造三维空间展示服装,使用户能够根据自己的选择观看到服装搭配的效果,为服装领域有该需求的用户提供一种新的方式。本文研究开发的是通过对专家知识以及历史经验集合的服装搭配知识总结,选择人体肤色与着装场合作为服装色彩与款式的影响因素,来设计本系统的服装搭配法则,并将服装搭配法则转换为计算机图像数据,提供服装搭配推荐方案;使用Maya建模技术实现三维模特与服装的制作,利用Photoshop图形处理软件制作仿真的人体肤色与服装色彩材质;建立模型材质数据库;结合VR技术,设计第一人称视角的漫游方式,实现人机交互,提高用户沉浸感;利用Unity软件实现服装搭配展示系统的用户操作界面开发与场景优化。本系统设计实现的功能:模特肤色更换,推荐服装上下衣的颜色,根据着装场合推荐服装款式,服装立体展示,场景漫游交互。
戈好雨[2]（2020）在《基于机器学习的无人零售商店选址及其销量预测研究》文中研究说明商店选址以及选址完成后的初期运营是商店管理中的重要决策。随着我国零售行业的发展,出现了无人化、新门店扩张速度快、占比高的业态特点。无人零售解放了选址研究中的人力成本约束,使得更灵活的约束组合与更细致的特征粒度考察成为了可能。同时,新门店的快速扩张对选址决策中的数据采集速度、模型决策速度提出了更高的要求。然而,目前的选址研究多以人工收集、调查问卷等非自动化方法进行数据采集与分析;以德尔菲法、层次分析法等传统方法进行选址决策。这些研究的数据采集、模型决策较慢,已经不能满足新业态下的快速选址要求。因此,为了满足数据快速采集、快速分析的现实需求,本文提出了一种基于谷歌地图系统的自动化数据处理框架。该框架可以自动地从谷歌地图系统中采集、挖掘地理信息数据、并将其转化为选址模型能够理解的结构化数据。针对选址决策速度这一要求,本文使用机器学习模型进行选址决策,在决策结果的可解释性与决策速度、决策结果精度之间取得了平衡。并运用管理学理论对机器学习模型的决策逻辑进行了系统分析,在管理学与机器学习之间建立了可解释的联系。新门店的快速扩张带来了新门店占比高的特点。然而,目前的销量预测研究主要集中在对成熟门店的研究,针对新门店的销量预测研究较少。因为新门店的运营数据较少,在缺乏数据的情况下进行销量预测十分困难。针对这一问题,本文提出了一种基于销量特性的模式识别方法。该方法可以从成熟门店中寻找与新门店销量特性相同的成熟门店。进一步地,本文设计了一种深度迁移学习模型,能够将这些成熟门店的销量数据迁移到新门店中并进行预测,使得新门店的销量预测精度接近成熟门店的水平。本文研究成果为零售企业新开门店在运营初期缺少运营数据提供了有效的解决方法,为企业运营管理提供了一种思路。
徐振国[3]（2019）在《智慧学习环境中学习画面的情感识别及其应用》文中提出普通数字学习环境已不能满足“数字土着”的需求,人工智能、大数据、区块链等技术迅猛发展,将深刻改变人才需求和教育形态,作为数字学习环境高端形态的智慧学习环境便应运而生。智慧学习环境注重培养学习者的创新能力、问题求解能力、决策力和批判性思维能力等高阶思维能力,认知活动在培养过程中起着至关重要的协调与控制作用。情感是由外界刺激引起的心理反应,能够影响和调节注意、知觉、表象、记忆、思维和语言等认知活动。学习过程中的积极情感有助于激发学习动机、培养学习兴趣,促进认知过程;而消极情感则会影响耐心度、注意力,阻碍认知过程。现有智慧学习环境研究重“知”轻“情”,注重学习者认知层面的适应性和个性化,即根据学习者的认知能力和知识状态提供合适的学习内容、学习路径和问题解答等,而较少考虑情感、兴趣、动机、意志等非智力因素在学习活动中的作用,忽视智慧学习环境中和谐情感交互的理论和实践研究,以致其缺少情感层面的适应性和个性化,学习者在智慧学习过程中缺少情感支持。智慧学习环境中学习者主要通过智能学习终端观看学习内容的信息呈现画面即学习画面进行学习,学习画面是学习者学习的主要环境,并且是学习者与学习内容间信息交互的主通道。学习画面的色彩搭配、排版布局、图形装饰、背景纹理等对学习者智慧学习过程中的情感、兴趣、动机和效果都有不可忽视的影响。另一方面,学习者情感的准确识别是构建智慧学习环境和谐情感交互的基础,更是判断学习者学习状态的重要手段,对促进学习者的智慧学习具有重要意义。学习画面以直观的视觉特征和隐含的艺术特征影响学习者的情感状态和认知活动,智慧学习环境除为学习者提供个性化的学习内容和学习路径外,所呈现的学习画面还应与学习者的情感状态、视觉情感偏好相适应,并能对学习者的学习情感起调节和激发作用。本研究以学习画面隐含的情感属性为切入点,关注智慧学习环境中的“情感缺失”问题,为智慧学习环境情感层面自适应交互的实现提供了新的思路与方法。本研究通过访谈和调查,将学习画面情感分为温馨、欢快、活泼、搞笑、夸张、幽默、有趣、凄凉、枯燥、沉闷、繁乱、虚幻、惊险、恐怖等14种类型;通过文献梳理和实地观察,发现学习者的学习情感主要包括常态、高兴、愤怒、悲伤、惊恐、专注、走神等7种类型。然后,通过采集程序和网络爬虫,建设了拥有17456幅图像的学习画面图像数据库和拥有85085幅图像的学习者表情图像数据库。本研究综合考虑准确率、训练速度和内存消耗等因素,根据学习画面图像的特点,设计了9层卷积神经网络模型以识别学习画面的情感,该模型包括4个卷积层、4个池化层和1个全连接层,并在自主建设的学习画面图像数据库上进行了模型训练和实验;根据学习者表情图像的特点,设计了7层卷积神经网络模型以识别学习者的学习表情,进而判断学习者的情感状态,该模型包括3个卷积层、3个池化层和1个全连接层,并在自主建设的学习者表情图像数据库上进行了模型训练和实验。实验结果表明,本研究设计的卷积神经网络模型能够较为准确的识别学习画面的情感和学习者的学习表情。本研究通过实验探究学习画面情感对学习者情感的影响,实验对象为济南市某学校7、8年级的学生,使用具有不同情感的学习画面进行实际教学,并同时采集学习画面图像及其对应的学习者表情图像,整个实验共持续15周时间。实验结果表明,具有温馨、欢快、活泼、搞笑、幽默和有趣等情感的学习画面能够引起学习者常态、高兴、专注等积极情感,具有凄凉、枯燥、沉闷和繁乱等情感的学习画面能够引起学习者愤怒、悲伤、惊恐、走神等消极情感,而具有夸张、虚幻、惊险和恐怖等情感的学习画面则较为特殊。本研究通过实验探索学习画面自适应调整对学习者情感的影响,实验对象仍为济南市某学校7、8年级的学生,实验组观看自适应调整后的学习画面进行学习,对照组观看未经调整的原学习画面进行学习,同时采集实验组和对照组学习者的学习表情,整个实验共持续2周时间。实验结果表明,根据学习者的表情、视觉情感偏好以及学习画面的情感自适应调整学习画面的关键视觉特征,能够调节学习者的学习情感,激发学习者的学习兴趣。本研究为智慧学习环境情感层面自适应交互的研究与实现带来了新的发展,具有相当的创新性和实际应用价值。
王茜[4]（2019）在《显隐数据结合的服装推荐系统研究》文中认为随着“互联网+”时代的到来,以淘宝为代表的电子商务平台迅速兴起。近几年,电子商务平台服装网购销售额占比处于各类商品网购销售额占比的第一位。服装网购平台在销售的过程中产生了海量的用户、服装数据,推荐算法可以从海量数据中提取关键信息,为用户进行服装推荐。然而,传统的服装推荐算法渐渐不能满足人们日益增长的个性化服装穿戴的需要。服装推荐系统内的数据按照数据类型将数据分为显式数据和隐式数据,设计两种数据类型相结合的推荐算法,可以有效解决服装信息超载问题,提高服装推荐准确率,提升系统对于用户数据的利用率,满足用户个性化穿戴需求。显式数据与隐式数据相结合的服装推荐算法将用户的显式反馈和隐式反馈转化为显式数据和隐式数据,结合基于用户的协同过滤推荐算法为用户进行服装推荐。其中,数据预处理部分,显式数据采用用户偏好的色彩、风格数据,隐式数据采用用户购买记录、浏览记录数据;多种数据类型矩阵计算部分,提取数据库中的数据构建用户特征向量和评分矩阵;矩阵处理部分,由于用户、服装数据量大,用户-服装矩阵维度过高,需要进行降维,得到特征矩阵,使用优化后的Pearson相似性计算方法进行用户相似度计算,得到初始推荐结果;推荐列表处理部分,对初始推荐结果进行数据加工,处理后的数据按照TOP-N排序算法进行排序,推荐出前10个服装作为最终推荐结果。在研究显式数据的过程中,提出了一种色彩聚类算法,以专家收集的服装流行色为基础色例,计算出聚类中心,形成用户色彩库,供用户反馈其喜好色彩。本文设计了显式数据与隐式数据相结合的服装推荐原型系统,并通过实验证明了两种数据类型推荐算法的优势。原型系统采用springcloud微服务架构对原型系统进行开发,使用python编写实验代码并进行验证。在对显式数据与隐式数据相结合的服装推荐算法进行的试验中,实验结果表明,基于显式数据（用户评分）推荐算法F1值为0.284,基于隐式数据（购买记录）的推荐算法F1值为0.265,而本文提出的两种数据相结合的推荐算法的F1值为0.321。
王晓芳[5]（2019）在《基于多层卷积神经网络的服装图像分类与检索》文中研究指明随着人工智能不断发展,电商平台的出现引起了人们互联网在线购买服装的热潮,为了更好的满足消费者的需求,电商平台在不断增加服装种类同时需要完善服装的分类信息。服装在线交易量与日俱增,服装的分类精准不仅有利于快速搜索到目标服装,而且可以在较相似的服装款式中比较其他因素找到性价比最好的,所以对于网上海量的服装数据集研究一种快速分类且准确率高的方法非常重要。传统的方法对海量服装图片分类需先进行人工标注,然后根据图片的标签进行语义分类,这种方法消耗人力多且时间长,效率较低。随着深度学习技术出现,神经网络机器自主学习对图像分类的效率有了很大提升。本课题基于多层卷积神经网络（Convolutional Neural Network,CNN）对服装图像进行分类和检索做了如下工作:（1）采用通用爬虫方法爬取电商APP中的服装图片和视频数据集,对男装和女装主要的衣服类别选择有代表性的分类。图片分类利用深度学习框架Caffe及常用网络模型AlexNet、VGG-16、GoogleNet三种,调整损失函数及其他各个参数看其最大分类准确率。（2）本设计首次提出对服装视频进行分类,比较不同抽帧方式对分类结果的影响,对服装图像分类有很重要的研究意义。（3）本课题设计搭建一个网页检索系统,建立以图搜图检索界面,利用Js语言和Html框架编写前端网页,后端网页的框架是Flask,利用CNN层中倒数第二层全连接层作为图片的特征向量来建立特征库。采用余弦距离算法计算输入图片向量与特征库数据集中向量的距离,距离越小则图片相似度越高,检索结果返回前20个相似度较高的图片。
高飞[6]（2018）在《少数民族服饰图案数字化学习平台构建研究 ——以佤族、哈尼族为例》文中认为近年来,随着民族文化特色旅游产品开发及服装设计等相关产业的发展,少数民族服饰图案作为少数民族文化的综合集成形式,以其独特的文化内涵和艺术特点受到广泛关注和青睐。同时,随着民族地区教育信息化发展深入推进,需要民族服饰图案等优秀民族文化资源作为补充走进教学,从而提高少数民族学生课程学习效果以及完善少数民族学生知识塑造体系。但受限于现有民族服饰图案陈列方式、数字化规模和质量,其始终未能得到大范围的应用,因此,将少数民族服饰图案更有效的进行数字化表达,能够促进其在设计、教育等多个领域更便捷广泛地进行研究、传播和应用。在此背景下,本文从少数民族服饰图案的获取、处理和应用三个方面展开了理论与技术研究,构建了少数民族服饰图案数字化学习平台,实现了集少数民族服饰图案的展示传播、教育学习与实践应用为一体的研究目的。本文主要的贡献包括以下几点:（1）通过对多元文化教育思想、社会建构主义理论等民族教育理论进行梳理,在充分体现少数民族服饰图案独特的艺术形式、艺术特征和文化内涵的基础上,结合少数民族服饰图案资源需求人群和需求层次建立了少数民族服饰图案知识表达传播模型。（2）以佤族、哈尼族为实施案例,通过在少数民族聚居地实地拍摄和民族博物馆服饰实物拍摄采集的方式获取了大量的民族服饰图案数据,并利用矢量化重绘等方式对数据进行了处理和提取,构建了极具价值的少数民族服饰图案元素矢量化数字资源库。（3）针对民族服饰图案资源这类对象属性信息复杂的资源,遵循教育资源数据标准,考虑少数民族服饰图案数据的外部属性、内容属性以及具体应用三个层面的需求,设计了一套涵盖通用、管理、文化和教育四个类别元素的民族服饰图案元数据描述方案。（4）在上述研究的传播模型、数字资源库以及元数据描述方案的基础上,以“合礼性、创新性、交互性”为设计原则,设计并实现了少数民族服饰图案学习平台,提供对少数民族服饰图案元素的展示、下载和交互设计学习。
卢靖[7]（2018）在《黔东南苗族刺绣纹样数据库构建与设计应用研究》文中研究表明苗族刺绣手工艺是国家珍贵的非物质文化遗产,但随着社会经济的发展,苗族刺绣手工艺正逐渐的失传,建立数据库对其进行保护和传承尤为重要。本文分析了黔东南苗族刺绣的特征,在此基础上制定黔东南州苗族刺绣元数据标准,根据元数据标准构建苗族刺绣数据库,实现对采集的黔东南苗族刺绣资源进行数字化处理和编目,提高苗族刺绣非物质文化遗产的数字化保护水平,为苗族刺绣的分类、规范、数字化保护和应用建设奠定坚实基础。本文第一章为绪论部分,主要分析论文的研究背景、研究意义以及研究方法。第二章对黔东南州苗族刺绣手工艺的传承与保护现状进行研究,对苗族刺绣传承与保护的必要性与可行性进行了分析研究,深入分析苗族刺绣与数据库传承的契合点,将苗族刺绣本体、文化内涵、工艺技法等与现代网络载体相结合,为实现传统与现代的融合提供支撑。第三章为黔东南州苗族刺绣数据库的元数据构建。分析了黔东南州苗族刺绣资源的特征,基于这些特征构建苗族刺绣元数据标准,为刺绣数据库的开发提供依据。第四章为黔东南州苗族刺绣数据库构建。在前面章节的研究基础上构建数据库。以数字化的形式实现黔东南苗族刺绣的传承与保护,解决一些传统刺绣与数字化保护的技术性问题。第五章为黔东南州苗族刺绣数据库在其他相关领域中的应用。介绍黔东南刺绣数据库在艺术设计、刺绣教学方面的应用实践。最后是结论,主要介绍论文的研究结果以及局限性,总结研究过程中碰到的问题,展望苗族刺绣的传承与保护发展方向。
冯娇[8]（2018）在《基于专家知识的个性化服装推荐搭配系统》文中指出随着人们个性化穿戴意识的提高,服装不仅是基本的生活需求,更是提升自我品味和形象的重要载体。面对电商平台的各种款式服装特别是快时尚品牌往往显得盲从,经常性地遗憾消费。提供个性化的服装推荐搭配服务已经成为了年轻消费者的诉求。本课题设计和开发了一个基于专家知识的个性化服装推荐搭配系统,旨在从专业搭配的角度出发,引导消费者选购适合的服装。主要工作如下:（1）研究了专家提供的服装推荐搭配经验,以色彩理论、服装廓形等专业知识为基础,分析了影响用户着装的六大因素,将专家推荐搭配的思维方式转化为系统能够处理的存储模式和推理机制,建立了电子化的服装知识体系库。（2）针对推荐搭配中查找相似颜色的问题,运用潘通色、RGB和HSV三种颜色表示方式的转换方法,明确各色系颜色拓展空间限制条件,应用颜色相似度计算进行颜色拓展。（3）研究了系统开发相关技术和开发流程,配置系统的运行环境。采用Tomcat、Objective-C、Java实现IOS客户端和后台服务器的搭建。本文详细说明了该系统的分析设计,并实现了服装推荐、服装搭配、个人测评等功能,系统的上线运营将为用户提供一个新颖的服装选购模式。
顾晓玲[9]（2017）在《时尚媒体数据的新型检索技术研究》文中研究表明社交媒体的日渐风靡和电子商务网站的繁荣发展催生了海量的时尚媒体数据,比如普通用户分享的街拍数据、时装品牌发布的时装秀数据、电商网站提供的产品数据等。时尚媒体数据是一类特殊的跨媒体数据,除了一般跨媒体数据具备的多模态性,还具有多领域、多场景、弱标签等特点。本文着眼于时尚媒体数据的新型多媒体检索方法,对海量的时尚媒体数据进行语义分析与理解,用以支持和提供多种数据检索方式和时尚流行趋势分析,具有重大的研究意义。时尚媒体数据的多模态、多领域、多场景、弱标签这些特点对于时尚数据的检索技术带来了诸多新的研究挑战:1)如何利用弱标签时尚媒体数据,对时尚图片进行表征学习能同时用于图像检索和图像分类等多个图像理解任务?2)如何将包含不同模态、不同领域的时尚数据项映射到一个统一的特征空间,其中度量距离可以用于数据检索与分析?3)如何实现时尚物品在不同场景之间的图像检索模型?本文提出了新型的图像检索方法、跨媒体检索方法、跨场景物品检索方法来着重解决上述三个研究挑战。这些新型的多媒体检索方法为用户提供了灵活多变的数据检索与分析工具,对于步入大数据时代的时尚行业具有非常实际的应用价值。本文的主要贡献及创新点如下:（1）本文提出了一种新的基于近邻约束嵌入学习的图像检索方法,利用弱标签时尚媒体数据,对时尚图片进行表征学习,能兼具语义类别和相似性度量信息,从而能够用于图像检索和图像分类等多个图像理解任务。设计了基于深度卷积神经网络的特征提取框架QuadNet,并且设计了多任务分类损失函数和包含近邻相似性约束的四元损失函数,在两个损失函数的共同监督优化下完成QuadNet的参数优化,其中多任务分类损失函数保证了学到的特征包含语义类别信息,四元损失函数则保证了学到的特征可用于相似性度量。因此,最后得到的特征表示非常通用,可用于图像的检索、分类、聚类和标注等多个图像理解任务。在真实的弱标签街拍时尚数据集上对QuadNet进行评估以及对街头时尚趋势变化进行分析,充分验证了基于近邻约束嵌入学习的图像检索方法的有效性。（2）本文提出了一种新的基于多领域嵌入学习的跨媒体检索方法,针对时尚媒体数据的多模态、多领域特点,将包含不同模态、不同领域的时尚数据项映射到一个统一的特征空间,其中度量距离可以用于数据检索与分析。不同于当前大多数跨媒体检索方法只考虑异质相似性的缺点,我们的跨媒体检索方法同时考虑了同质相似性和异质相似性,具体分为两个步骤:1)学习图像模态的同质相似性,将图像从原始的像素空间转化到一个优化的视觉空间;2)学习图像和文本模态的异质相似性,将图像和文本映射到一个统一的特征表示空间。在第一个步骤中,设计的基于深度卷积神经网络的五元网络和基于五元组的排序损失函数不仅捕获了同质相似性,还融入了时尚媒体数据的多领域属性。在第二个步骤中,设计的图像-文本双分支神经网络和跨视图相似排序损失函数用来捕获异质相似性。在一个新的多模态、多领域的时尚跨媒体数据集对提出的跨媒体检索方法进行评估以及对时尚品牌潮流变化进行分析,充分验证了我们方法的有效性。（3）本文提出了一种新的基于关键点的跨场景物品检索方法,实现时尚物品在不同场景之间的图像检索模型。该检索框架主要由识别模块和检索模块组成:识别模块实现对查询图片中的物品进行语义识别,其中的物体检测模型负责对查询图片中的物品进行物体检测,属性识别模型则负责识别出物品的语义属性;检索模块实现快速地从图像库中检索出相似的物品。以眼镜时尚物品为例,为完成眼镜物体的检测,设计了描述眼镜的关键点方案并实现了基于关键点的眼镜检测模型;为准确地识别眼镜的属性,设计了多种有效的特征提取方式,包括基于形状的特征提取、基于颜色的特征提取和基于区域的特征提取;为从图像库中快速地检索出眼镜物品,在检索模块设计了一个由粗到细的搜索策略。最后,在新收集的多场景眼镜数据集上的实验充分验证了我们的物体检测模型、属性识别模型和整个检索框架的有效性。
李再林[10]（2017）在《基于CAS模型的数字化校园平台的研究与应用》文中研究表明在数字化、信息化迅速发展的今天,信息化建设在校园管理中的比重也逐渐增大,在校师生对教科研、行政管理等校园服务提出了新的需求,这都促使我们需要对原有的信息化平台进行重构和变革。本课题在此背景下提出,并结合山东大学（威海）的实际业务情况,设计并开发数字化校园平台及若干个业务子系统。目前我校已建设起完善的网络基础设施,并初步建立了一系列校园管理系统,但我校的现有的业务系统相对分散,缺乏统一、明确的入口将其进行集成,仍存在大量的重复性人工操作,不仅工作强度大而且易出错,造成了数据的冗余,影响了学生工作的时效性。本课题是在共享数据中心的基础上搭建校园信息化门户,构建统一认证平台对登录权限进行验证,打通业务间的数据流和任务流,完成跨部门协作,降低学校的信息化成本,并为在校师生提供高效的校园生活及业务管理服务,从而提升学校整体管理水平和综合实力,逐步实现全面的数字化校园管理。本文所做的主要工作有:1.实现统一身份认证平台。对用户身份和系统权限进行统一管理,规范应用系统的认证方式。2.实现校园信息化门户。将分散的校园生活信息和业务管理信息资源进行整合,为在校师生提供不同权限下的应用分类展示。3.接入其他校内应用子系统。平台搭建完毕后将接入教务管理、迎新离校、自助缴费等一系列子系统,实现业务数据的有效流通。本平台系统主要使用Java编程语言实现,基于Spring、Struts、Hibernate（SSH）集合框架进行开发,单点登录服务使用了耶鲁大学的开源中央认证服务框架——CAS,并在此基础上加以改进,使用Oracle数据库及Tomcat服务器分别作为数据容器和应用容器。SSH框架所提倡的MVC设计模式实现了系统的数据层、业务层和显示层分离,使系统运行时更加稳定,也让开发和维护的效率更高。
二、基于Web的服装图片采集发布管理系统（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于Web的服装图片采集发布管理系统（论文提纲范文）
（1）基于VR的服装搭配展示系统的设计与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 研究背景与意义 |
| 1.3 国内外研究现状 |
| 1.3.1 VR技术发展现状 |
| 1.3.2 服装搭配发展现状 |
| 1.4 论文研究内容和意义 |
| 1.4.1 论文研究内容 |
| 1.4.2 论文研究意义 |
| 1.5 论文结构概述 |
| 第2章 开发工具和相关技术 |
| 2.1 引言 |
| 2.2 Unity软件 |
| 2.3 VR技术介绍 |
| 2.4 Maya三维建模软件 |
| 2.5 Photoshop图形处理软件 |
| 2.6 SQLite数据库 |
| 2.7 本章小结 |
| 第3章 服装搭配展示系统分析与设计 |
| 3.1 引言 |
| 3.2 系统需求分析 |
| 3.3 系统结构设计 |
| 3.4 模块交互设计 |
| 3.5 数据库设计 |
| 3.5.1 数据库概念设计 |
| 3.5.2 数据库物理设计 |
| 3.6 本章小结 |
| 第4章 服装搭配方案设计 |
| 4.1 引言 |
| 4.2 服装搭配因素分析 |
| 4.2.1 人体肤色因素分析 |
| 4.2.2 着装场合因素分析 |
| 4.2.3 色彩搭配规则 |
| 4.3 服装搭配设计 |
| 4.3.1 服装色彩搭配设计 |
| 4.3.2 服装款式搭配设计 |
| 4.3.3 服装整体搭配方案 |
| 4.4 本章小结 |
| 第5章 三维模型设计 |
| 5.1 引言 |
| 5.2 三维人体建模相关方法 |
| 5.3 三维模特模型设计 |
| 5.4 服装款式模型设计 |
| 5.5 展示场景设计 |
| 5.6 本章小结 |
| 第6章 服装搭配展示系统实现 |
| 6.1 引言 |
| 6.2 三维模特服装模型制作实现 |
| 6.2.1 三维模特建模制作 |
| 6.2.2 三维服装模型制作 |
| 6.2.3 展示房间模型制作 |
| 6.3 数据库实现 |
| 6.4 用户菜单界面的实现 |
| 6.5 服装展示系统的测试 |
| 6.5.1 测试用例 |
| 6.5.2 测试结果分析 |
| 6.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（2）基于机器学习的无人零售商店选址及其销量预测研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 国内零售行业背景 |
| 1.1.2 本文研究数据来源 |
| 1.1.3 研究意义 |
| 1.2 国内外研究综述 |
| 1.2.1 商店选址问题研究综述 |
| 1.2.2 商店选址方法研究综述 |
| 1.2.3 销量预测问题研究综述 |
| 1.2.4 销量预测方法研究综述 |
| 1.2.5 文献评述 |
| 1.3 研究问题的提出 |
| 1.3.1 商店选址问题的提出 |
| 1.3.2 销量预测问题的提出 |
| 1.4 研究内容及创新 |
| 1.4.1 研究内容及技术路线 |
| 1.4.2 本文的创新点 |
| 第2章 选址研究的特征与模型 |
| 2.1 选址研究的特征维度构建 |
| 2.2 基于谷歌地图系统的自动化数据处理框架 |
| 2.2.1 谷歌地图系统简介 |
| 2.2.2 基于谷歌地图系统的自动化数据采集方法 |
| 2.2.3 基于谷歌地图数据包的自动化数据挖掘方法 |
| 2.2.4 基于谷歌地图数据的结构化方法 |
| 2.3 随机森林模型 |
| 2.3.1 随机森林简介 |
| 2.3.2 随机森林泛化能力的介绍 |
| 第3章 选址研究的数据与实验 |
| 3.1 选址问题研究的数据处理 |
| 3.1.1 选址数据预处理 |
| 3.1.2 选址数据集的建立 |
| 3.2 模型评估与实验结果分析 |
| 3.2.1 模型评估方法与各模型实验结果 |
| 3.2.2 随机森林的实验结果分析 |
| 3.2.3 神经网络的实验结果分析 |
| 3.2.4 线性回归的实验结果分析 |
| 3.3 随机森林的特征重要性排序 |
| 3.4 单特征敏感性分析与管理启示 |
| 3.4.1 竞争特征 |
| 3.4.2 住宅与商业特征 |
| 3.4.3 文化特征 |
| 3.4.4 教育特征 |
| 3.4.5 交通特征 |
| 3.4.6 吸引力特征 |
| 3.4.7 商店基础特征 |
| 3.5 本章小结 |
| 第4章 销量预测的特征与模型 |
| 4.1 销量预测的特征维度构建 |
| 4.2 基于时间距离的销量特性模式识别方法 |
| 4.2.1 模式识别与门店销量特性介绍 |
| 4.2.2 基于时间距离的销量特性模式识别方法 |
| 4.2.3 基于时间距离的销量特性模式识别结果 |
| 4.3 深度学习模型 |
| 4.3.1 神经网络 |
| 4.3.2 长短期记忆网络 |
| 4.4 迁移学习模型 |
| 4.4.1 迁移学习简介 |
| 4.4.2 本文所设计的迁移学习模型 |
| 第5章 销量预测的数据与实验 |
| 5.1 销量预测的数据处理 |
| 5.1.1 销量预测数据预处理 |
| 5.1.2 销量预测数据集的建立 |
| 5.2 模型评估与实验结果分析 |
| 5.2.1 模型评估方法 |
| 5.2.2 实验结果对比 |
| 5.3 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
（3）智慧学习环境中学习画面的情感识别及其应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 绪论 |
| 0.1 研究背景与意义 |
| 0.1.1 研究背景 |
| 0.1.2 研究意义 |
| 0.2 国内外研究综述 |
| 0.2.1 智慧学习环境研究综述 |
| 0.2.2 学习者的情感识别研究综述 |
| 0.2.3 学习画面的情感识别研究综述 |
| 0.3 相关概念界定 |
| 0.3.1 智慧学习环境 |
| 0.3.2 学习画面 |
| 0.3.3 学习情感 |
| 0.4 研究目的与内容 |
| 0.4.1 研究目的 |
| 0.4.2 研究内容 |
| 0.5 研究思路与方法 |
| 0.5.1 研究思路 |
| 0.5.2 研究方法 |
| 0.6 研究创新与不足 |
| 0.6.1 研究创新 |
| 0.6.2 研究不足 |
| 第一章 相关理论与技术 |
| 1.1 相关学习理论 |
| 1.1.1 智慧学习理论 |
| 1.1.2 关联主义学习理论 |
| 1.1.3 人本主义学习理论 |
| 1.1.4 自主学习理论 |
| 1.2 情感及情感计算 |
| 1.2.1 情感分类 |
| 1.2.2 情感模型 |
| 1.2.3 情感计算 |
| 1.2.4 情感与认知 |
| 1.3 卷积神经网络 |
| 1.3.1 卷积神经网络概述 |
| 1.3.2 卷积神经网络的结构 |
| 1.3.3 卷积神经网络的训练 |
| 1.4 本章小结 |
| 第二章 学习画面与学习者表情图像数据库的构建 |
| 2.1 学习画面图像的情感描述 |
| 2.2 学习画面图像数据库 |
| 2.2.1 学习画面的类型 |
| 2.2.2 学习画面图像采集 |
| 2.2.3 学习画面图像情感标注 |
| 2.3 学习者的学习情感描述 |
| 2.4 学习者的学习表情图像数据库 |
| 2.4.1 现有面部表情数据库 |
| 2.4.2 面部表情图像采集 |
| 2.4.3 网络面部表情图像采集 |
| 2.5 本章小结 |
| 第三章 智慧学习环境中学习画面的情感识别 |
| 3.1 图像情感识别方法概述 |
| 3.2 卷积神经网络的结构设计 |
| 3.2.1 卷积神经网络的结构 |
| 3.2.2 卷积神经网络的参数 |
| 3.3 模型训练与结果分析 |
| 3.3.1 实验环境与数据集 |
| 3.3.2 实验结果与分析 |
| 3.4 学习画面情感自动评估系统的开发 |
| 3.4.1 系统设计目标 |
| 3.4.2 开发工具及环境 |
| 3.4.3 系统核心功能的实现 |
| 3.5 学习画面情感的大数据分析 |
| 3.5.1 各学段学习画面的情感分析 |
| 3.5.2 各学科学习画面的情感分析 |
| 3.5.3 各资源类型学习画面的情感分析 |
| 3.5.4 对学习画面设计的启示 |
| 3.6 本章小结 |
| 第四章 智慧学习环境中学习者的情感识别 |
| 4.1 面部表情识别方法概述 |
| 4.2 基于Adaboost算法的人脸检测 |
| 4.2.1 Haar特征 |
| 4.2.2 积分图像 |
| 4.2.3 AdaBoost学习算法 |
| 4.3 卷积神经网络的结构设计 |
| 4.3.1 卷积神经网络的结构 |
| 4.3.2 卷积神经网络的参数 |
| 4.4 模型训练与结果分析 |
| 4.4.1 实验环境与数据集 |
| 4.4.2 实验结果与分析 |
| 4.5 学习者表情自动识别系统的开发 |
| 4.5.1 系统设计目标 |
| 4.5.2 开发工具及环境 |
| 4.5.3 系统核心功能的实现 |
| 4.6 本章小结 |
| 第五章 学习画面情感对学习者情感影响的实验研究 |
| 5.1 实验设计 |
| 5.1.1 实验目的 |
| 5.1.2 实验对象 |
| 5.1.3 教学内容 |
| 5.1.4 实验变量 |
| 5.1.5 实验假设 |
| 5.1.6 实验方案 |
| 5.2 学习画面与学习者表情同步采集系统的开发 |
| 5.2.1 系统设计目标 |
| 5.2.2 开发工具及环境 |
| 5.2.3 系统设计思路 |
| 5.2.4 系统核心功能的实现 |
| 5.3 实验的实施 |
| 5.3.1 准备阶段 |
| 5.3.2 实施阶段 |
| 5.3.3 完成阶段 |
| 5.4 数据分析与结果讨论 |
| 5.4.1 数据分析 |
| 5.4.2 结果讨论 |
| 5.4.3 启示与建议 |
| 5.5 本章小结 |
| 第六章 学习画面自适应调整对学习者情感影响的实验研究 |
| 6.1 实验设计 |
| 6.1.1 实验目的 |
| 6.1.2 实验对象 |
| 6.1.3 教学内容 |
| 6.1.4 实验变量 |
| 6.1.5 实验假设 |
| 6.1.6 测量工具 |
| 6.1.7 实验方案 |
| 6.2 学习画面自适应调整模型的构建 |
| 6.3 学习画面自适应调整系统的开发 |
| 6.3.1 系统设计目标 |
| 6.3.2 开发工具及环境 |
| 6.3.3 系统设计思路 |
| 6.3.4 系统核心功能的实现 |
| 6.4 实验的实施 |
| 6.4.1 准备阶段 |
| 6.4.2 实施阶段 |
| 6.4.3 完成阶段 |
| 6.5 数据分析与结果讨论 |
| 6.5.1 数据分析 |
| 6.5.2 结果讨论 |
| 6.6 本章小结 |
| 第七章 总结和展望 |
| 7.1 研究总结 |
| 7.2 研究展望 |
| 注释 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间的学术成果 |
| 致谢 |
（4）显隐数据结合的服装推荐系统研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 推荐算法 |
| 1.2.2 服装推荐算法 |
| 1.3 研究内容 |
| 1.4 论文结构 |
| 第2章 相关理论与技术 |
| 2.1 推荐算法概述 |
| 2.1.1 基于内容的推荐算法 |
| 2.1.2 协同过滤推荐算法 |
| 2.1.3 基于知识的推荐算法 |
| 2.1.4 混合的推荐算法 |
| 2.2 显式数据与隐式数据概述 |
| 2.2.1 数据与知识的协同作用 |
| 2.2.2 常用的显式数据与隐式数据 |
| 2.3 服装色彩理论概述 |
| 2.3.1 Pantone色 |
| 2.3.2 RGB |
| 2.3.3 HSV |
| 2.4 k-means聚类算法概述 |
| 2.5 本章小结 |
| 第3章 系统分析与设计 |
| 3.1 需求分析 |
| 3.1.1 功能需求分析 |
| 3.1.2 性能需求分析 |
| 3.2 系统逻辑架构 |
| 3.2.1 系统逻辑架构图 |
| 3.2.2 系统逻辑结构描述 |
| 3.3 系统功能结构 |
| 3.3.1 功能结构图 |
| 3.3.2 功能描述 |
| 3.4 系统技术架构 |
| 3.4.1 技术架构图 |
| 3.4.2 技术架构描述 |
| 3.5 数据库设计 |
| 3.5.1 数据库表关系图 |
| 3.5.2 表结构设计 |
| 3.6 本章小结 |
| 第4章 服装推荐系统的实现 |
| 4.1 数据预处理 |
| 4.1.1 显式数据预处理 |
| 4.1.2 隐式数据预处理 |
| 4.2 色彩聚类功能的实现 |
| 4.2.1 色彩聚类过程 |
| 4.2.2 色彩聚类结果 |
| 4.3 两种数据类型的矩阵处理 |
| 4.3.1 特征向量 |
| 4.3.2 评分矩阵 |
| 4.3.3 矩阵降维 |
| 4.3.4 相似计算 |
| 4.4 两种数据类型推荐的实现 |
| 4.4.1 数据加工 |
| 4.4.2 TOP-N排序 |
| 4.4.3 数据类型系数 |
| 4.4.4 实验分析 |
| 4.5 原型系统的实现 |
| 4.5.1 开发环境及开发语言 |
| 4.5.2 服装推荐功能实现 |
| 4.5.3 其他功能实现 |
| 4.6 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读学位期间发表或录用的学术论文 |
| 致谢 |
（5）基于多层卷积神经网络的服装图像分类与检索（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.3 论文主要内容及创新点 |
| 1.4 论文章节安排 |
| 第二章 神经网络相关理论 |
| 2.1 传统神经网络 |
| 2.1.1 KNN近邻算法 |
| 2.1.2 线性分类 |
| 2.2 神经网络结构 |
| 2.2.1 多层神经网络 |
| 2.2.2 激活函数 |
| 2.2.3 损失函数 |
| 2.2.4 基于梯度的优化 |
| 2.3 卷积神经网络基础 |
| 2.3.1 卷积层 |
| 2.3.2 池化层 |
| 2.3.3 其它功能层 |
| 2.4 本章小结 |
| 第三章 服装图像分类研究 |
| 3.1 深度学习框架 |
| 3.1.1 框架的主要组件 |
| 3.1.2 深度学习主流框架类型 |
| 3.2 深度学习网络模型 |
| 3.3 数据获取方式 |
| 3.3.1 爬虫技术主要原理 |
| 3.3.2 爬虫分类 |
| 3.4 数据预处理 |
| 3.4.1 数据类型转化 |
| 3.4.2 视频取帧方法 |
| 3.5 本章小结 |
| 第四章 服装图像检索研究 |
| 4.1 特征提取方法 |
| 4.1.1 传统特征提取方法 |
| 4.1.2 卷积神经网络提取特征原理 |
| 4.1.3 特征提取方法对比 |
| 4.2 距离算法 |
| 4.3 检索界面前端和后端设计 |
| 4.3.1 网页前端设计 |
| 4.3.2 网页后端设计 |
| 4.4 本章小结 |
| 第五章 实验过程及结果 |
| 5.1 实验环境及数据集 |
| 5.2 图像训练可视化过程 |
| 5.3 服装图像分类结果分析 |
| 5.3.1 图片分类 |
| 5.3.2 视频分类 |
| 5.4 服装检索系统展示 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（6）少数民族服饰图案数字化学习平台构建研究 ——以佤族、哈尼族为例（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究现状 |
| 1.2.1 少数民族服饰图案文化研究现状 |
| 1.2.2 少数民族服饰图案教育应用研究现状 |
| 1.2.3 少数民族服饰图案数字化研究现状 |
| 1.2.4 少数民族服饰图案学习平台研究现状 |
| 1.3 研究意义 |
| 1.4 研究内容 |
| 第2章 少数民族服饰图案教育价值实现的理论基础 |
| 2.1 民族服饰图案丰富的文化内涵 |
| 2.1.1 民族服饰图案的概念 |
| 2.1.2 民族服饰图案文化和艺术特征分析 |
| 2.2 多元文化教育思想的推动 |
| 2.2.1 认同民族文化的知识性 |
| 2.2.2 承认文化多样性的价值 |
| 2.2.3 社会建构主义学习理论的支持 |
| 2.3 图案知识表达传播模型的建立 |
| 第3章 少数民族服饰图案数字化采集与处理 |
| 3.1 民族服饰图案图像资源采集 |
| 3.1.1 实地拍摄采集民族服饰图案图像 |
| 3.1.2 现存资料中搜集民族服饰图案图像 |
| 3.2 少数民族服饰图案元素提取 |
| 3.2.1 矢量图形和位图图像之间的区别与联系 |
| 3.2.2 民族服饰图案分离处理工作内容和技术要点 |
| 第4章 少数民族服饰图案元数据描述方案设计 |
| 4.1 民族服饰图案元数据描述方案的设计目的 |
| 4.2 民族服饰图案元数据描述方案的设计流程 |
| 4.2.1 元数据结构设计 |
| 4.2.2 元素的选择和定义 |
| 4.2.3 元数据表达形式确定 |
| 4.3 民族服饰图案元数据描述方案详细结构和内容 |
| 4.3.1 通用类元素 |
| 4.3.2 管理类元素 |
| 4.3.3 文化类元素 |
| 4.3.4 教育类元素 |
| 4.4 民族服饰图案元数据方案描述实例 |
| 第5章 少数民族服饰图案学习平台设计与实现 |
| 5.1 平台设计思路 |
| 5.2 平台设计原则 |
| 5.2.1 以图案知识表达传播模型为基础 |
| 5.2.2 图案交互设计学习模块设计原则 |
| 5.3 平台结构设计 |
| 5.4 平台后台管理系统设计 |
| 5.4.1 系统管理 |
| 5.4.2 资源管理 |
| 5.4.3 数据库设计 |
| 5.5 平台前台服务模块设计 |
| 5.5.1 图案展示学习模块设计 |
| 5.5.2 图案交互设计学习模块设计 |
| 5.6 平台实现 |
| 5.6.1 开发环境 |
| 5.6.2 平台页面实现效果 |
| 第6章 总结与展望 |
| 6.1 研究总结 |
| 6.2 研究不足与展望 |
| 参考文献 |
| 攻读学位期间发表的论文和研究成果 |
| 致谢 |
（7）黔东南苗族刺绣纹样数据库构建与设计应用研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 文献综述 |
| 1.3.1 苗族刺绣艺术研究 |
| 1.3.2 刺绣的数据标准研究 |
| 1.4 研究思路与方法 |
| 第二章 黔东南州苗族刺绣传承与保护现状 |
| 2.1 黔东南州政府对苗族刺绣非物质文化保护与传承的支持 |
| 2.2 黔东南苗族刺绣博物馆建设 |
| 2.2.1 凯里学院苗侗文化博物馆 |
| 2.2.2 欧东花苗族服饰博物馆 |
| 2.2.3 苗妹非遗博物馆 |
| 2.3 黔东南苗族刺绣传承与保护过程中存在的问题 |
| 2.4 黔东南苗族刺绣数据库保护与传承的必要性与可行性分析 |
| 2.4.1 黔东南苗族刺绣数据库保护传承的必要性 |
| 2.4.2 黔东南苗族刺绣数据库保护传承的可行性 |
| 第三章 黔东南苗族刺绣数据库的元数据标准构建 |
| 3.1 黔东南苗族刺绣的艺术特色 |
| 3.1.1 黔东南苗族刺绣颜色特点 |
| 3.1.2 黔东南苗族刺绣图案特点 |
| 3.1.3 黔东南苗族刺绣地域分布特点 |
| 3.1.4 黔东南苗族刺绣面料及材料特点 |
| 3.1.5 黔东南苗族刺绣技法特点 |
| 3.2 黔东南苗族刺绣元数据标准构建 |
| 3.2.1 黔东南苗族刺绣数据的元数据标准确立 |
| 3.2.2 黔东南苗族刺绣元数据着录 |
| 第四章 黔东南苗族刺绣数据库构建 |
| 4.1 黔东南苗族刺绣数据库需求分析 |
| 4.1.1 黔东南苗族刺绣数据库用户人群需求划分 |
| 4.1.2 苗族刺绣数据库内容与操作需求 |
| 4.1.3 苗族刺绣数据库针对用户需求设定的功能 |
| 4.2 黔东南州苗族数据库系统设计原则 |
| 4.2.1 前台界面表达形式多元化原则 |
| 4.2.2 后台数据库内容全面、分类多元化原则 |
| 4.2.3 操作界面简洁化原则 |
| 4.2.4 操作流程最简化原则 |
| 4.3 黔东南苗族刺绣数据库的实现 |
| 4.3.1 黔东南苗族刺绣数据库资源入库 |
| 4.3.2 前台功能模块实现 |
| 第五章 黔东南苗族刺绣数据库在其他相关领域中的应用 |
| 5.1 黔东南州苗族刺绣数据库在纤维艺术设计中的应用 |
| 5.2 黔东南苗族刺绣数据库在现代服装设计上的运用 |
| 5.3 黔东南苗族刺绣数据库的教育作用 |
| 5.3.1 在社会教育中的作用 |
| 5.3.2 在高校艺术设计教育中的作用 |
| 第六章 结论 |
| 6.1 论文的创新之处 |
| 6.1.1 理论创新 |
| 6.1.2 服务功能创新 |
| 6.2 未来工作展望 |
| 致谢 |
| 参考文献 |
（8）基于专家知识的个性化服装推荐搭配系统（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 专家系统 |
| 1.2.2 个性化推荐系统 |
| 1.2.3 主流电商平台推荐方式 |
| 1.2.4 个性化穿戴 |
| 1.2.5 服装品类分类 |
| 1.3 研究内容 |
| 1.4 论文结构 |
| 第2章 服装推荐搭配知识库 |
| 2.1 专家知识系统 |
| 2.1.1 专家系统概述 |
| 2.1.2 专家系统结构 |
| 2.2 知识提炼 |
| 2.2.1 用户特征与服装要素 |
| 2.2.2 相关专业术语 |
| 2.2.3 服装搭配色盘 |
| 2.3 服装推荐搭配知识库 |
| 2.3.1 知识体系 |
| 2.3.2 要素 |
| 2.3.3 色彩 |
| 2.3.4 匹配规则 |
| 2.3.5 搭配色盘 |
| 2.4 本章小结 |
| 第3章 色彩拓展 |
| 3.1 色彩拓展概述 |
| 3.2 三种颜色表示方法及转换方式 |
| 3.3 颜色之间相似度计算 |
| 3.3.1 颜色到N(一般为3)维空间的映射 |
| 3.3.2 颜色相似度计算 |
| 3.4 基础色例拓展 |
| 3.4.1 颜色拓展环境 |
| 3.4.2 基础色例拓展流程 |
| 3.4.3 基础色例拓展结果 |
| 3.5 搭配色例拓展 |
| 3.5.1 搭配色例拓展限制条件 |
| 3.5.2 搭配色例拓展流程 |
| 3.5.3 色例拓展结果 |
| 3.6 本章小结 |
| 第4章 系统设计 |
| 4.1 用户角色设计 |
| 4.2 功能设计 |
| 4.3 数据库设计 |
| 4.3.1 知识数据存储 |
| 4.3.2 用户数据存储 |
| 4.3.3 服装数据存储 |
| 4.4 流程设计 |
| 4.4.1 用户交互流程设计 |
| 4.4.2 第三方平台登录流程设计 |
| 4.4.3 数据预处理流程设计 |
| 4.4.4 服装推荐流程设计 |
| 4.4.5 服装搭配流程设计 |
| 4.5 本章小结 |
| 第5章 系统实现 |
| 5.1 开发技术与环境 |
| 5.1.1 IOS开发平台 |
| 5.1.2 开发与管理工具 |
| 5.1.3 开发相关语言 |
| 5.1.4 Tomcat服务器搭建 |
| 5.1.5 数据库连接实现 |
| 5.2 服装推荐搭配实现 |
| 5.2.1 服装推荐实现 |
| 5.2.2 服装搭配实现 |
| 5.3 穿搭社区界面实现 |
| 5.3.1 登陆注册模块实现 |
| 5.3.2 系列展示模块实现 |
| 5.3.3 时尚订阅模块实现 |
| 5.4 个人中心界面实现 |
| 5.4.1 个人中心页面实现 |
| 5.4.2 个人测评功能实现 |
| 5.4.3 我的衣橱功能实现 |
| 5.4.4 我的喜欢功能实现 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读学位期间的研究成果目录 |
| 致谢 |
（9）时尚媒体数据的新型检索技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 研究背景 |
| 1.2.1 图像检索技术发展 |
| 1.2.2 跨媒体检索技术发展 |
| 1.2.3 跨场景物品检索技术发展 |
| 1.3 研究动机及挑战 |
| 1.4 研究内容 |
| 1.5 论文组织 |
| 第2章 相关工作 |
| 2.1 时尚研究课题 |
| 2.2 基于内容的图像检索技术 |
| 2.2.1 基于低层物理特征 |
| 2.2.2 基于视觉单词向量 |
| 2.2.3 基于深度学习模型 |
| 2.3 跨媒体检索技术 |
| 2.4 跨场景物品检索技术 |
| 2.5 人脸特征点检测技术 |
| 2.6 本章小结 |
| 第3章 基于近邻约束嵌入学习的图像检索技术 |
| 3.1 引言 |
| 3.2 方法框架 |
| 3.3 多任务分类损失函数 |
| 3.4 四元损失函数 |
| 3.5 实验结果与分析 |
| 3.5.1 数据集 |
| 3.5.2 模型评测 |
| 3.5.3 街头时尚趋势分析 |
| 3.6 本章小结 |
| 第4章 基于多领域嵌入学习的跨媒体检索技术 |
| 4.1 引言 |
| 4.2 方法框架 |
| 4.3 学习同质相似性 |
| 4.4 学习异质相似性 |
| 4.5 实验结果与分析 |
| 4.5.1 数据集 |
| 4.5.2 模型评测 |
| 4.5.3 时装品牌潮流分析 |
| 4.6 本章小结 |
| 第5章 基于关键点的跨场景物品检索技术 |
| 5.1 引言 |
| 5.2 方法框架 |
| 5.3 物体检测模型 |
| 5.3.1 EGYPT定义 |
| 5.3.2 EGYPT检测算法 |
| 5.4 属性识别模型 |
| 5.4.1 基于形状的特征提取 |
| 5.4.2 基于颜色的特征提取 |
| 5.4.3 基于区域的特征提取 |
| 5.5 检索模型 |
| 5.5.1 粗略级别搜索 |
| 5.5.2 细致级别搜索 |
| 5.6 实验结果与分析 |
| 5.6.1 数据集 |
| 5.6.2 眼镜检测模型评测 |
| 5.6.3 属性识别模型评测 |
| 5.6.4 检索框架评测 |
| 5.7 本章小结 |
| 第6章 结论和展望 |
| 6.1 论文总结 |
| 6.1.1 论文主要研究内容 |
| 6.1.2 论文主要创新点 |
| 6.2 未来展望 |
| 参考文献 |
| 攻读博士学位期间的研究成果 |
| 致谢 |
（10）基于CAS模型的数字化校园平台的研究与应用（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 课题背景 |
| 1.2 国内外研究现状 |
| 1.3 可行性分析 |
| 1.4 主要研究内容 |
| 1.5 论文的组织结构 |
| 第2章 平台关键技术 |
| 2.1 单点登录及CAS框架 |
| 2.1.1 单系统的登录流程 |
| 2.1.2 单点登录简介 |
| 2.1.3 单点登录实现原理 |
| 2.1.4 基于CAS实现的单点登录模型 |
| 2.1.5 CAS票据 |
| 2.1.6 CAS认证流程 |
| 2.2 Struts Spring Hibernate编程框架 |
| 2.2.1 MVC模式与Struts |
| 2.2.2 对象关系映射框架Hibernate |
| 2.2.3 Spring与Spring MVC |
| 2.3 本章小结 |
| 第3章 平台需求分析 |
| 3.1 平台概述 |
| 3.2 总体目标 |
| 3.3 角色与权限 |
| 3.4 功能需求描述 |
| 3.4.1 校园信息化门户系统 |
| 3.4.2 迎新系统(学生端) |
| 3.5 本章小结 |
| 第4章 设计与实现 |
| 4.1 总体设计 |
| 4.1.1 校园信息化门户系统整体架构 |
| 4.1.2 迎新系统整体架构 |
| 4.2 校园信息化门户系统详细设计 |
| 4.2.1 登录认证模块 |
| 4.2.2 权限查询模块 |
| 4.2.3 应用系统分类导航模块 |
| 4.2.4 密码修改模块 |
| 4.2.5 安全邮箱模块 |
| 4.2.6 找回密码模块 |
| 4.3 迎新系统详细设计 |
| 4.3.1 迎新通知模块 |
| 4.3.2 个人信息维护模块 |
| 4.3.3 家庭信息维护模块 |
| 4.3.4 个人简历模块 |
| 4.3.5 宿舍分配模块 |
| 4.3.6 选购被褥模块 |
| 4.3.7 军训服装模块 |
| 4.3.8 绿色通道模块 |
| 4.4 数据库表结构设计 |
| 4.5 关键模块实现 |
| 4.5.1 系统结构包图 |
| 4.5.2 CAS单点登录模块 |
| 4.5.3 找回密码模块 |
| 4.5.4 宿舍分配模块 |
| 4.5.5 选购被褥模块 |
| 4.6 本章小结 |
| 第5章 部署与测试 |
| 5.1 系统部署 |
| 5.1.1 CAS单点登录服务器部署 |
| 5.1.2 CAS客户端即应用系统部署 |
| 5.2 校园信息化门户系统功能测试 |
| 5.2.1 CAS单点登录模块 |
| 5.2.2 应用系统分类导航模块 |
| 5.2.3 密码修改模块 |
| 5.2.4 找回密码模块 |
| 5.3 迎新系统功能测试 |
| 5.3.1 家庭成员信息维护模块 |
| 5.3.2 宿舍分配模块 |
| 5.3.3 选购被褥模块 |
| 5.4 本章小结 |
| 第6章 总结与展望 |
| 附录 |
| 参考文献 |
| 致谢 |
| 学位论文评阅及答辩倩况表 |
四、基于Web的服装图片采集发布管理系统（论文参考文献）
- [1]基于VR的服装搭配展示系统的设计与实现[D]. 王琪. 北京服装学院, 2020(12)
- [2]基于机器学习的无人零售商店选址及其销量预测研究[D]. 戈好雨. 南京大学, 2020(02)
- [3]智慧学习环境中学习画面的情感识别及其应用[D]. 徐振国. 山东师范大学, 2019(09)
- [4]显隐数据结合的服装推荐系统研究[D]. 王茜. 东华大学, 2019(03)
- [5]基于多层卷积神经网络的服装图像分类与检索[D]. 王晓芳. 内蒙古大学, 2019(09)
- [6]少数民族服饰图案数字化学习平台构建研究 ——以佤族、哈尼族为例[D]. 高飞. 云南师范大学, 2018(01)
- [7]黔东南苗族刺绣纹样数据库构建与设计应用研究[D]. 卢靖. 南京艺术学院, 2018(02)
- [8]基于专家知识的个性化服装推荐搭配系统[D]. 冯娇. 东华大学, 2018(06)
- [9]时尚媒体数据的新型检索技术研究[D]. 顾晓玲. 浙江大学, 2017(01)
- [10]基于CAS模型的数字化校园平台的研究与应用[D]. 李再林. 山东大学, 2017(09)