飞机高频元件制造过程中需要进行细粒度元件分类,针对元件图像类间相似度高、类内差异大,空间变换网络(Spatial Transformer Network,STN)难以捕捉不同类型元件局部辨识区域的问题,增强STN的输入样本和损失函数,提出基于增强STN的细粒度高频元件分类模型(reinforced STN,rSTN).首先,设计样本增强,将STN的输入由原始图像替换为形态学轮廓,轮廓突出了元件结构信息,有利于捕捉元件局部辨识区域.然后,在STN交叉熵损失函数基础上加入鼓励特征类内紧凑性的中心损失,中心损失引导模型为同类元件捕捉相似局部辨识区域.最后,经过空间变换的原始图像被输入分类主干网络.实验表明,所提rSTN准确捕捉了不同类型高频元件的局部辨识区域,分类准确率由STN的0.8857提高到0.9212.
NETL
NSTL
万方数据
