结合前景特征增强与区域掩码自注意力的细粒度图像分类
为解决细粒度图像分类中不相关背景信息干扰以及子类别差异特征难以提取等问题,提出了一种结合前景特征增强和区域掩码自注意力的细粒度图像分类方法.首先,利用ResNet50提取输入图片的全局特征;然后通过前景特征增强网络定位前景目标在输入图片中的位置,在消除背景信息干扰的同时对前景目标进行特征增强,有效突出前景物体;最后,将特征增强的前景目标通过区域掩码自注意力网络学习丰富、多样化且区别于其他子类的特征信息.在训练模型的整个过程,建立多分支损失函数约束特征学习.实验表明,该模型在细粒度图像数据集CUB-200-2011、Stanford Cars和FGVC-Aircraft的准确率分别达到了 88.0%、95.3%和93.6%,优于其他主流方法.
细粒度图像分类、目标定位、区域掩码、自注意力、多样化特征、特征增强、残差网络、深度学习
17
TP391.4(计算技术、计算机技术)
国家自然科学基金;辽宁省教育厅基础研究项目
2023-01-11(万方平台首次上网日期,不代表论文的发表时间)
共11页
1134-1144