基于显著性融合的细粒度图像分类方法研究

摘要

针对细粒度图像存在的类内差异大、类间差异小和依赖数据标注的问题，提出了一种基于显著度融合改进细粒度图像分类的算法。该算法基于一种双输入的深度神经网络，包括显著性特征融合结构和特征提取网络两个部分。首先，根据Fusion层网络结构将原RGB图与显著图进行特征融合，显著图是由SALICON显著性检测算法计算产生；其次，为充分利用更高分辨显著特征的调制潜力，利用最大池化操作对数据空间进行降维操作；最后，借助迁移学习思想，把在ImageNet数据集上预训练好的深度神经网络模型Inception_V3.0作为基础特征提取模型，进一步提取高层语义特征。在公开数据集CUB200-2011和Stanford Dogs中进行对比实验，结果表明，该算法的分类准确率分别达到84.36%、84.94%，相较于Part R-CNN、LRBP等多个主流细粒度分类算法，本文方法能取得更好的分类效果。