基于物體部件模型的細粒度圖像識別.pdf

1、圖像分類問題是計算機視覺領域重要的研究內容之一，隨著生產生活中人們追求更精細的目標檢測，細粒度圖像識別與分類問題成為近年來人們越來越關注的課題。細粒度圖像分類任務主要是指在相同大類下面去區(qū)分不同的子類別。相對于粗粒度分類任務而言，細粒度圖像分類問題面臨的主要難題是待分類圖像類別的粒度更為精細，不同子類在形態(tài)，大小和角度方面有很小的差異，因此如何使用有效的方法進行前景圖像的檢測，并且從圖像中提取重要的局部信息決定著細粒度圖像分類問題是否可

2、以取得很好的效果。對于細粒度圖像分類任務而言，一般根據(jù)模型是否用到額外的人工標注信息，主要分為“強監(jiān)督學習”和“弱監(jiān)督學習”兩類?，F(xiàn)有的大部分方法是在有人工標注的條件下進行物體和部件的檢測然后進行特征表示和分類，但是獲得這些額外的標注信息需要消耗大量的人力物力，而且人工標注信息錯誤率也較高。本文首先直接用CNN網絡對細粒度圖像進行分類但是分類效果并不是很好，在此基礎上提出了一種基于物體部件的細粒度圖像分類模型。本文的主要工作如下:

3、>　　(1)物體定位模型。通過大量的實驗可以發(fā)現(xiàn)網絡模型中卷積層特征對圖像中主要物體的響應度較大比如說一些卷積層特征在鳥的頭部位置響應比較大而另一些卷積層特征在鳥的身體位置響應比較大，但是單通道卷積層特征并不能很好地實現(xiàn)物體的定位?；谝陨习l(fā)現(xiàn)，本文結合Conv5層中所有通道的卷積層特征來構建物體定位模型從而實現(xiàn)物體的定位檢測。最后通過得到的物體圖像結合深度學習進行圖像分類。
　　(2)部件選擇模型。通過自底向上的算法可以從圖像中

4、得到大量圖像塊然后通過卷積層可視化分析可知網絡中的卷積層特征具有聚類特性，本文通過譜聚類方法構建卷積層的部件檢測器來對圖像塊進行篩選從而得到圖像的部件表示。最后通過得到的部件圖像結合深度神經網絡進行細粒度圖像分類。
　　(3)以上兩個模型可以在細粒度圖像識別上取得比較好的分類效果但是相比于現(xiàn)有的算法效果還是有一定的差距，因此本文最后通過融合物體定位模型，部件選擇模型和原始圖片特征構建一個三流的網絡模型來進行細粒度圖像分類。該網絡模