基于多尺度特征融合细粒度分类网络的扎把烟叶分级方法

摘要：

当前我国烟叶分级主要采用的人工分级方法受主观因素的影响,易出现分级精度低、不稳定等问题.为了提高烟叶分级结果的准确度与可信度,通过对实地采集的烟叶RGB图像数据进行分析,并针对扎把烟叶数据复杂、类间差异较小的问题,提出了基于弱监督数据增强网络的多尺度特征融合细粒度扎把烟叶分级方法.本方法在Resnet-50提取特征的基础上,首先利用多尺度特征融合模块融合不同层次特征,再通过卷积层学习得到代表重要局部区域的注意力图,最后利用双线性注意力池化操作进一步从局部区域中提取细粒度特征并用于分类.另外,本方法引入了注意力分散约束损失,以防止不同注意力图所关注区域之间的冗余.最终模型经训练后在测试集上,分级准确率与宏F1分数分别为91.261％和91.780％,相比于以往细粒度分类模型分别提升了 3.6％和2.8％.结果表明,相比与其他深度学习方法,该方法在扎把烟草数据集上取得了更好的性能.

关键词：扎把烟叶、分等定级、多尺度特征融合、细粒度分类、注意力分散约束损失

所属期刊栏目：49

分类号：TP393;S572(计算技术、计算机技术)

资助基金：国家自然科学基金;湖北省杰出青年基金

在线出版日期：2023-03-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1013-1021