自上而下注意图分割的细粒度图像分类
目的 针对细粒度图像分类中的背景干扰问题,提出一种利用自上而下注意图分割的分类模型.方法 首先,利用卷积神经网络对细粒度图像库进行初分类,得到基本网络模型.再对网络模型进行可视化分析,发现仅有部分图像区域对目标类别有贡献,利用学习好的基本网络计算图像像素对相关类别的空间支持度,生成自上而下注意图,检测图像中的关键区域.再用注意图初始化GraphCut算法,分割出关键的目标区域,从而提高图像的判别性.最后,对分割图像提取CNN特征实现细粒度分类.结果 该模型仅使用图像的类别标注信息,在公开的细粒度图像库Cars196和Airc rafts 100上进行实验验证,最后得到的平均分类正确率分别为86.74%和84.70%.这一结果表明,在GoogLeNet模型基础上引入注意信息能够进一步提高细粒度图像分类的正确率.结论 基于自上而下注意图的语义分割策略,提高了细粒度图像的分类性能.由于不需要目标窗口和部位的标注信息,所以该模型具有通用性和鲁棒性,适用于显著性目标检测、前景分割和细粒度图像分类应用.
细粒度图像分类、卷积神经网络、自上而下注意图、GraphCut、GoogLeNet
21
TP391(计算技术、计算机技术)
国家自然科学基金项目61233003;安徽省自然科学基金项目1408085MF112;中央高校研究基金科研业务费专项资金WK3500000002National Natural Science Foundation of China61233003
2016-10-18(万方平台首次上网日期,不代表论文的发表时间)
共8页
1147-1154