基于特征融合与注意力机制的野生菌细粒度分类
鉴别野生菌的种类是预防误食有毒野生菌的重要途径.因此,为了提高野生菌细粒度识别分类的准确率,对卷积模块的注意力机制模块(CBAM)进行改进,提出了一种并行相加卷积模块的注意力机制模块PA_CBAM,将CBAM中的通道注意力模块和空间注意力模块从原来的串行连接改为并行连接并相加,解决了2种注意力模块因串行连接带来的互相干扰问题.另外,参考特征金字塔的思想改进ResNet50,其Top-1和Top-5准确率达到86.03%和97.19%,较原来提升0.86和0.73个百分点;其添加PA_CBAM后在Top-1和Top-5准确率达到88.52%、97.58%,较CBAM模块提高了3.03和 0.69个百分点.此外,为了将模型移植到移动端,结合迁移学习,提出了MobileNet_v2+PA_CBAM的识别方法,准确率达到94.87%,较之前提升0.66个百分点.研究表明:提出的注意力机制模块PA_CBAM在野生菌细粒度识别研究中具有更好的识别效果,具有一定的泛用性,并且MobileNet_v2+PA_CBAM训练后模型大小仅为27.8 MB,识别图片的平均耗时仅为1.3 ms,是在移动端部署野生菌识别的理想模型.
图像识别、细粒度分类、特征融合、注意力机制、迁移学习
60
TP391.4(计算技术、计算机技术)
国家自然科学基金62066046
2023-07-26（万方平台首次上网日期，不代表论文的发表时间）
共10页
100-109
