细粒度图像分类的通道自适应判别性学习方法

摘要：

由于类内差异大且类间差异小,因此细粒度图像分类极具挑战性.鉴于深层特征具有很强的特征表示能力,而中层特征又能有效地补充全局特征在图像细粒度识别中的缺失信息,因此,为了充分利用卷积层的特征,本文提出细粒度图像分类的通道自适应判别性学习方法:首先在通道方向上聚集中级特征以获取目标位置;然后对通过感兴趣区域特征交互级联得到的信息进行分类;最后进行端到端的训练,无需任何边界框和零件注释.在CUB-200-2011、Stanford Cars和FGVC-Aircraft这3个公共数据集上开展大量实验,与其他方法相比,本文方法既可以保持简单性和推理效率又可提升分类准确度.

关键词：细粒度图像分类、通道自适应、掩模、特征增强、感兴趣区域

分类号：TP391.41(计算技术、计算机技术)

资助基金：教育部重点实验室开放基金;国家自然科学基金;江西省自然科学基金资助项目;江西省教育厅项目;江西科技师范大学校级自然科学重点培育基金资助项目

在线出版日期：2022-10-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：68-74