1.一種基于resnext和remervfl的服裝分類方法，其特征在于，包括以下步驟：
2.如權(quán)利要求1所述的一種基于resnext和remervfl的服裝分類方法，其特征在于，通過遷移學習對所述服裝特征提取模型中的resnext50網(wǎng)絡的參數(shù)進行替換，所述替換包括以下步驟：獲取resnextwsl模型的網(wǎng)絡參數(shù)，并將其導入到服裝特征提取模型中，覆蓋服裝特征提取模型網(wǎng)絡中的resnext50網(wǎng)絡中與所述預訓練好的resnext50相同部分的參數(shù)路徑。
3.如權(quán)利要求2所述的一種基于resnext和remervfl的服裝分類方法，其特征在于，
4.如權(quán)利要求2所述的一種基于resnext和remervfl的服裝分類方法，其特征在于，步驟3中，所述remervfl網(wǎng)絡的訓練過程包括以下步驟：
5.如權(quán)利要求4所述的一種基于resnext和remervfl的服裝分類方法，其特征在于，步驟3中，所述最大隱藏層節(jié)點數(shù)lmax＝300，最大殘差節(jié)點數(shù)nmax＝6，期望誤差ε＝le-3，node＝100。
6.如權(quán)利要求1所述的一種基于resnext和remervfl的服裝分類方法，其特征在于，步驟1中，所述數(shù)據(jù)集包括16000張服裝圖像；其中，12800張圖像被指定用于訓練，而3200張圖像被保留用于測試，遵循8:2的比例進行預處理，形成數(shù)據(jù)集；
7.如權(quán)利要求1所述的一種基于resnext和remervfl的服裝分類方法，其特征在于，所述的全局混合池化層的數(shù)學表達式如下：