分类激活图增强的图像分类算法*
分类激活图(CAM)具有稀疏、不连续、不完整等问题,并且目前大部分研究仅将其用于可视化分析.基于此,首先利用扩张卷积设计了自动加权的多尺度特征学习来弥补分类激活图存在的问题,并将该多尺度特征与分类激活图生成方法结合,设计了多尺度分类激活图生成方法.进一步,将该多尺度的分类激活图嵌入到网络中构成了端到端的结构,实现分类性能增强的目的.以残差网络ResNet为骨干网络,提出了分类增强模型ResNet-CE.在三个公开数据集CIFAR10、CIFAR100和STL10上,对该模型进行了大量的实验.实验表明:ResNet-CE在这三个数据集上的分类性能与参数量相当的ResNet相比有明显的提升,识别的错误率分别降低了0.23%、3.56%和7.96%,并且分类性能优于当前大部分的分类网络.提出的算法能够简单地迁移到已有的分类模型中,提高原有模型的分类性能.同时,该算法保留了对模型判断依据可视化和解释的功能,这在医疗影像中的疾病识别、无人驾驶的场景识别等场景中具有一定的应用价值和意义.
图像分类、分类激活图(CAM)、多尺度、可视化、可解释性
14
TP391.41(计算技术、计算机技术)
The National Natural Science Foundation of China under Grant Nos. U1636220, 61602482, 61876183 国家自然科学基金
2020-01-18（万方平台首次上网日期，不代表论文的发表时间）
共10页
149-158
