分类错误指导的分层B-CNN模型用于细粒度分类

摘要：

目的 细粒度分类近年来受到了越来越多研究者的广泛关注,其难点是分类目标间的差异非常小.为此提出一种分类错误指导的分层双线性卷积神经网络模型.方法 该模型的核心思想是将双线性卷积神经网络算法(B-CNN)容易分错、混淆的类再分别进行重新训练和分类.首先,为得到易错类,提出分类错误指导的聚类算法.该算法基于受限拉普拉斯秩(CLR)聚类模型,其核心“关联矩阵”由“分类错误矩阵”构造.其次,以聚类结果为基础,构建了新的分层B-CNN模型.结果 用分类错误指导的分层B-CNN模型在CUB-200-2011、FGVC-Aircraft-2013b和Stanford-cars 3个标准数据集上进行了实验,相比于单层的B-CNN模型,分类准确率分别由84.35％,83.56％,89.45％提高到了84.67％,84.11％,89.78％,验证了本文算法的有效性.结论 本文提出了用分类错误矩阵指导聚类从而进行重分类的方法,相对于基于特征相似度而构造的关联矩阵,分类错误矩阵直接针对分类问题,可以有效提高易混淆类的分类准确率.本文方法针对比较相近的目标,尤其是有非常相近的目标的情况,通过将容易分错、混淆的目标分组并进行再训练和重分类,使得分类效果更好,适用于细粒度分类问题.

关键词：细粒度分类、分类错误、分层模型、双线性卷积神经网络、受限拉普拉斯秩

所属期刊栏目：22

分类号：TP391(计算技术、计算机技术)

资助基金：教育部留学基金委青年骨干教师项目资助201406405014;中央高校基本科研业务费专项资金资助项目2-9-2013-083;国家自然科学基金项目61403376,91338202National Natural Science Foundation of China61403376,91338202

在线出版日期：2017-08-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：906-914