首页|细粒度图像分类的互补注意力方法

细粒度图像分类的互补注意力方法

Complemented attention method for fine-grained image classification

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
目的 由于分类对象具有细微类间差异和较大类内变化的特点,细粒度分类一直是一个具有挑战性的任务.绝大多数方法利用注意力机制学习目标中显著的局部特征.然而,传统的注意力机制往往只关注了目标最显著的局部特征,同时抑制其他区域的次级显著信息,但是这些抑制的信息中通常也含有目标的有效特征.为了充分提取目标中的有效显著特征,本文提出了一种简单而有效的互补注意力机制.方法 基于SE(squeeze-and-exci-tation)注意力机制,提出了一种新的注意力机制,称为互补注意力机制(complemented SE,CSE).既从原始特征中提取主要的显著局部特征,也从抑制的剩余通道信息中提取次级显著特征,这些特征之间具有互补性,通过融合这些特征可以得到更加高效的特征表示.结果 在CUB-Birds(Caltech-UCSD Birds-200-2011)、Stanford Dogs、Stanford Cars和FGVC-Aircraft(fine-grained visual classification of aircraft)4个细粒度数据集上对所提方法进行验证,以Res-Net50为主干网络,在测试集上的分类精度分别达到了87.9％、89.1％、93.9％和92.4％.实验结果表明,所提方法在CUB-Birds和Stanford Dogs两个数据集上超越了当前表现最好的方法,在Stanford Cars和FGVC-Aircraft数据集的表现也接近当前主流方法.结论 本文方法着重提升注意力机制提取特征的能力,得到高效的目标特征表示,可用于细粒度图像分类和特征提取相关的计算机视觉任务.

赵勋、王家宝、李阳、王亚鹏、苗壮

展开 >

陆军工程大学指挥控制工程学院, 南京 210007

细粒度 注意力机制 图像分类 特征提取 特征表示

国家重点研发计划江苏省自然科学基金陆军工程大学前沿科技创新项目

2017YFC0821905BK20200581

2021

中国图象图形学报
中国科学院遥感应用研究所,中国图象图形学学会 ,北京应用物理与计算数学研究所

中国图象图形学报

CSTPCDCSCD北大核心
影响因子：1.111
ISSN：1006-8961
年,卷(期)：2021.26(12)
  • 4
  • 2