基于深度卷积神经网络的细粒度图像分类研究

发布时间：2023-03-01 18:23

　　细粒度图像分类是图像分类领域内的一项具有挑战性的任务,其主要目标是对子类别间进行区分。由于含有判别性的信息往往存在于微小的局部区域中,目前大部分细粒度图像分类算法都是在得到判别性区域之后,再根据判别性区域训练卷积神经网络进行细粒度分类。通过对获取判别性区域算法分析发现,这些算法要么依赖于人工标注信息,要么判别性区域包含较大冗余信息,严重影响了模型分类的性能。对此,本文围绕判别性区域定位和模型训练方式对细粒度图像分类算法展开研究,主要研究内容及创新工作如下:1.针对判别性区域定位,本文提出一种基于注意力感知多层特征融合的细粒度图像分类算法。该算法首先利用双线性运算层改进注意力网络,在图像特征上利用改进的注意力网络和定位网络对判别性区域实现自动定位;然后对判别性区域裁剪放大并提取特征,使用多层特征融合的方式将网络多阶段卷积特征进行融合;最后融合全局特征和各层融合后的特征,提升特征的表达能力,并基于此融合特征进行分类。实验结果表明,本文算法在CUB-200-2011和Stanford Cars数据集上取得了良好的效果。2.为了提高模型的分类准确率和训练效率,本文针对训练方式提出集成迁移学习算...

【文章页数】：67 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
注释表
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 基于人工特征的细粒度图像分类
        1.2.2 基于深度学习的细粒度图像分类
    1.3 本文主要研究内容
    1.4 本文组织结构
第2章 相关理论基础
    2.1 卷积神经网络
        2.1.1 卷积层
        2.1.2 池化层
        2.1.3 全连接层
        2.1.4 批量标准化层
        2.1.5 CNN经典网络模型
    2.2 注意力机制
        2.2.1 注意力机制的原理
        2.2.2 图像分类中的注意力机制
    2.3 迁移学习与CNN的结合
    2.4 集成学习与CNN的结合
        2.4.1 传统集成学习方法
        2.4.2 快照集成算法和FGE算法
    2.5 本章小结
第3章 基于注意力感知多层特征融合的细粒度图像分类
    3.1 引言
    3.2 判别性区域定位
        3.2.1 双线性运算层
        3.2.2 判别性区域注意力模块
        3.2.3 判别性区域定位
    3.3 多层特征融合
        3.3.1 卷积神经网络的卷积特征分析
        3.3.2 多层特征融合算法
    3.4 注意力感知多层特征融合网络模型的设计
        3.4.1 注意力感知多层特征融合网络
        3.4.2 模型的损失函数
    3.5 实验结果与分析
        3.5.1 仿真设计
        3.5.2 定位网络初始化训练分析
        3.5.3 多层特征融合分析
        3.5.4 细粒度图像分类的结果对比
    3.6 本章小结
第4章 基于集成迁移学习的细粒度图像分类
    4.1 引言
    4.2 迁移学习策略分析
    4.3 随机加权平均算法
    4.4 集成迁移学习算法和分类网络模型的设计
        4.4.1 集成迁移学习算法
        4.4.2 深度注意力特征融合网络
    4.5 实验结果与分析
        4.5.1 仿真设计
        4.5.2 集成迁移学习策略分析
        4.5.3 细粒度图像分类的结果对比
    4.6 本章小结
第5章 总结与展望
    5.1 全文工作总结
    5.2 未来工作与展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：3752001