多尺度区域特征的细粒度分类算法研究

摘要：

为了避免复杂背景对精细目标分类的影响,充分利用卷积神经网络提取的目标全局和局部信息进行细粒度任务的研究,提出了一种多尺度区域特征的细粒度目标检测与分类算法.该方法先使用FASTER-RCNN框架训练3个尺度区域的卷积模型进行多尺度目标区域定位,对定位的结果进行包围盒约束和海伦约束以优化提高定位的精确度,然后将提取多个尺度区域的特征进行组合,并用支持向量机训练细粒度分类器.在Caltech-UCSD鸟类数据集和CompCars车型数据集上进行实验测试.实验结果表明该算法在 Caltech-UCSD鸟类数据集的分类正确率达到82.8%,比没有使用多尺度区域特征的分类算法提高了7.5%,比基于部件的分类方法提高了8.9%;在CompCars车型数据集的分类正确率达到93.5%,比没有使用多尺度区域特征的分类算法提高了8.3%,比最优的GoogleNet精细目标分类算法提高了2.3%,验证了该算法的有效性.

关键词：精细识别、神经网络微调、包围盒约束、海伦约束算法

所属期刊栏目：51

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划项目2017YFC0821102

在线出版日期：2019-08-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：55-60