基于注意力数据增广的细粒度图像分类方法

摘要：

细粒度图像分类是一个具有挑战性的问题,现有的细粒度图像分类模型一般都具有复杂精细的结构,但多数模型实现起来较困难,且分类精度不高.为了提高分类精度,同时降低分类模型的复杂度,提出了一种基于注意力数据增广的细粒度图像分类方法.该方法通过注意力机制实现弱监督方式的判别性区域定位,并基于判别性区域实现数据增广.其中数据增广包括2种策略:判别性区域裁剪和非判别性区域擦除.通过合理地设计这2种策略,可使图像分类模型更充分地学习到判别性区域的特征,提高模型的细粒度图像分类效果.该方法在细粒度图像数据集Stanford Cars和FGVC Air-craft上分别取得了95.0％和93.4％的准确率,已经达到了当前先进的水平.另外,该方法没有引入复杂的模块,因此比多数细粒度图像分类方法更容易实现.

关键词：图像分类;细粒度分类;注意力机制;数据增广;弱监督学习

所属期刊栏目：41

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金;广西科技基地和人才专项;广西自然科学基金;广西创新驱动专项;广西创新驱动专项;广西高校中青年教师基础能力提升项目

在线出版日期：2022-03-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：496-503