基于判别性特征增强的小样本细粒度图像识别

摘要：

小样本细粒度图像识别是深度学习领域中一个热门的研究课题,其基本任务是在学习有限数量样本的情况下识别出某一大类下的子类别的图像.得益于卷积神经网络的快速发展,小样本细粒度图像识别在精度方面取得了显著的成果,但其性能仍受限于同一子类图像间的高方差以及不同分类任务中判别性特征的差异性.针对上述问题,提出了一种基于判别性特征增强的小样本细粒度图像识别算法(DFENet).DFENet设计了对称注意力模块来增强类内视觉一致性学习,从而减少背景的影响,提高同类样本之间共享的特征表示的权重.此外,DFENet引入通道维度的判别性特征增强模块,利用支持集样本中同类样本内和不同类样本之间的通道关系进一步挖掘适合于当前任务的判别性特征,以提高识别准确率.在三个经典的细粒度数据集CUB-200-2011,Stanford Dogs,Stanford Cars上进行了广泛的实验.实验结果表明,该方法均取得了有竞争性的结果.

关键词：小样本细粒度图像识别、深度学习、特征增强、注意力机制、视觉一致性

所属期刊栏目：34

分类号：TP391(计算技术、计算机技术)

资助基金：中央高校基本科研业务费专项资金资助项目NZ2019009

在线出版日期：2024-01-30（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：44-51