一种基于显著性的细粒度图像分类方法

摘要

计算机视觉中，细粒度图像分类任务越来越受到研究者的关注。其任务是将一基础类别目标划分到更细粒度的子类。对于细粒度图像，某些子类中的图像之间差异极小，或者某些同一子类内的图像之间差异极大，能够用来区分图像与图像之间差异的部分往往只存在于局部区域中。除此之外，图片中目标物体的姿态多变并伴随着尺度不同、旋转角度多变等问题，也增大了准确分类的难度。 研究人员将卷积神经网络卷积层可视化，发现通过叠加特征图可以得到图像的显著性图，从而可以弱监督地定位目标。此方法被应用到细粒度分类任务中的目标定位步骤中。本文对此类方法深入研究，提出了一种细粒度图像分类的弱监督算法，主要工作内容如下： (1)在本文中，我们改进了基于显著性图定位目标的方法，提出基于两步微调的目标定位方法，通过第一次微调分类网络定位目标整体，通过第二次微调分类网络定位目标的部件。 (2)我们修改了分类部分中模型的损失函数，将softmax函数加入中心损失函数构成混合损失函数。 (3)本文采取的方法由三个部分构成：首先通过基于两步微调的目标定位算法定位目标及其部件并生成新训练集；然后对每个数据集分别训练分类网络并提取特征；最后将所有特征作为联级特征作为输入训练分类模型。受双线性模型启发，对模型进行改进，将第二部分中四个网络提取的特征进行外积运算作为第三部分分类模型的输入，从而将两部分合并为一个可以联合训练的联合网络模型。 本文在CUB-200-2011、Stanford Dogs和FGVC-AIRCRAFT-2013B数据集上进行了一系列实验，并与大量经典算法比较，结果证明了本文算法的有效性；对混合损失函数与原损失函数进行对比实验，验证了中心损失函数项的有效性。我们的方法可以媲美其他弱监督算法，并且在Stanford Dogs和FGVC-AIRCRAFT-2013B数据集上均达到了最佳准确率。甚至我们的方法优于一些需要辅助信息的强监督算法。

目录

第一个书签之前

摘　　要

Abstract

1 绪论

1.1 课题研究背景及意义

1.2 细粒度图像分类问题研究难点

1.3 国内外研究状况

1.4 硏究内容及组织结构

1.5 论文组织及结构

2 基础知识

2.1 深度学习理论

2.1.1 人工神经网络

2.1.2 卷积神经网络

2.1.3 常用卷积神经网络模型

2.2 迁移学习

2.3 双线性卷积神经网络

2.3.1 双线性模型

2.3.2 双线性特征

2.3.3 双线性CNN模型

3 基于两步微调的目标定位算法

3.1 弱监督目标定位

3.2 两步微调目标定位

3.3 混合损失函数

3.4 整合模型

3.5 联合网络模型

4 实验结果分析

4.1 数据集

4.2 基于两步微调的目标定位算法量化分析

4.3 中心函数效果对比实验

4.4 模型分类结果分析

结　　论

参考文献

攻读硕士学位期间发表学术论文情况

致　　谢