首页|基于改进Bilinear CNN的细粒度图像分类方法

基于改进Bilinear CNN的细粒度图像分类方法

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
  • 维普
为提高细粒度图像分类的精确度,提出一种基于双线性网络(Bilinear CNN)的改进方法.首先,选取结构紧密的DenseNet121卷积部分作为特征提取模块,运用改进的Relu-and-Softplus激活函数;接着,结合注意力机制引入空间注意力模块和通道注意力模块,在整体性和局部性上有效提取细节特征;并增加一层卷积层实现调整特征图维度的过渡作用,通过特征图分组策略有效降低特征向量维度减少参数;在双线性池化后采用全局最大池化层处理N个双线性特征向量,融合得到用于Softmax分类的最终向量.经实验证明,新模型的分类精确度可达到96.869％,参数量也大幅度降低,工作效率显著提高.
Fine Grained Image Classification Method Based on Improved Bilinear CNN

田佳鹭、邓立国

展开 >

沈阳师范大学数学与系统科学学院 沈阳 110034

细粒度分类 Bilinear CNN 注意力模块 分组策略 全局最大池化层

辽宁省教育科学规划课题辽宁省教育厅高校科研项目国家社会科学基金艺术学重大项目

JG16DB395LJC20200818ZD23

2021

10.3969/j.issn.1672-9722.2021.05.022

计算机与数字工程
中国船舶重工集团公司第七0九研究所

计算机与数字工程

CSTPCD
影响因子：0.355
ISSN：1672-9722
年,卷(期)：2021.49(5)
  • 1
  • 8