弱监督下基于对抗互补注意力机制和分层双线性池化的细粒度图像识别

发布时间：2024-03-09 19:01

　　随着深度学习技术的广泛发展,细粒度图像识别技术成为当前计算机视觉领域研究的热点。细粒度图像识别的方法可以分为需要人工标注包围框或标注点的强监督方法、不需要任何标注信息的无监督方法和只需要图像级别标注的弱监督方法。弱监督的好处在于它不仅可以大大节省人力、财力,而且还可以达到很好的识别精度。因此,本文研究弱监督下的细粒度图像识别。研究弱监督下的细粒度图像识别需要提取出图像细微的判别性特征,一些常用的方法是直接利用卷积神经网络或者基于视觉注意力机制的方法提取图像的判别性特征,这种方法往往只能提取到图像一些主要显著的判别性特征,而不能学习到其他次要显著的判别性特征。当两个图像被提取出的主要显著的判别性特征非常相似时,仅仅依靠主要显著的判别性特征是不够的,此时次要显著的判别性特征显得极为重要。我们尝试使用一种基于对抗互补注意力机制的方式,它不仅可以提取出图像主要显著的判别性特征而且还可以提取出图像次要显著的判别性特征,此方法主要包含两个分类器,其中分类器A用来学习物体一些特别显著的判别性特征,分类器B将分类器A学习到的这些判别性特征擦除掉,然后再去学习下一个判别性特征,即相对于分类器A学到的次要...

【文章页数】：57 页

【学位级别】：硕士

【部分图文】：

图1-1通用图像识别与细粒度图像识别示意图

弱监督下基于对抗互补注意力机制和分层双线性池化的细粒度图像识别11绪论1.1研究背景及意义近年来，人工智能技术发展迅速，图像识别技术也随之发展的越来越成熟，关于图像识别方面的应用领域也越来越广泛。图像识别是计算机视觉这一大领域下的一个比较受欢迎的子研究方向，图像识别技术通过对图像....

图2-1:细粒度图像不同类之间差别小，相同类之间差别大的实例图

弱监督下基于对抗互补注意力机制和分层双线性池化的细粒度图像识别72相关工作介绍2.1细粒度图像识别当前研究细粒度图像识别的特点在于同一超类别之间的差异小，而不同子类别之间存在着细微的差异[23]，例如图2-1所示，细粒度图像识别是现在图像分类中一个颇具挑战性的任务，它的目标是在一....

图2-2OPAM[24]网络模型简图

硕士学位论文82.1.1基于图像判别性区域定位的方法基于图像判别性区域定位的方法集中探讨如何利用弱监督的图像标签信息来自动找到图像中具有判别性的区域，以此来达到细粒度图像识别的目的。首先，使用神经网络找到图像中识别的对象区域，然后再在对象区域的基础上找到具有判别性特征的区域。针对....

图2-3“破坏与重构学习”（DCL）[25]的网络模型简图

弱监督下基于对抗互补注意力机制和分层双线性池化的细粒度图像识别9和Partspatialconstraint两个约束部分。Objectspatialconstraint强制让所选出来的部分区域位于对象区域，并具有高度的代表性，Partspatialconstraint减少了部分之....

本文编号：3923799