首页 > 计算机应用 > 结合注意力互斥正则的细粒度图像分类

结合注意力互斥正则的细粒度图像分类

Fine-grained visual classification combining attention mutual exclusion regularization

二维码有效期 120s

摘要细粒度图像分类(FGVC)具有类间差异小、类内差异大等特点,提升该任务效果的关键在于识别目标的判别性部位.目前基于注意力机制的方法一般会识别一个或者两个判别性部位,效果不佳.为此,提出一种注意力互斥正则机制的细粒度模型(AMEM),通过限制注意力图的不同通道关注不同目标部位,引导模型关注目标的多个判别性部位.在CUB-200-2011、FGVC-Aircraft、Stanford Cars和Stanford Dogs等4个公开数据集上进行评测,实验表明AMEM取得了90.5%、94.3%、95.5%和93.2%的准确率,效果优于对比实验中的其他细粒度模型;此外热力图显示可以识别出指定数目的判别性部位.AMEM在提升预测性能的同时,也能提供一定程度的预测可解释性.

作者 陆靖桥 ^[1] 宾炜 ^[2] 卢永锵 ^[3] 麦广柱 ^[1] 陈银 ^[1] 伍雁雄 ^[4] 学术成果认领

作者单位 广东省新黄埔中医药联合创新研究院健康检测技术装备研究中心,广州 510700 ^[1] 广东省新黄埔中医药联合创新研究院健康检测技术装备研究中心,广州 510700;广州中医药大学第二附属医院,广州 510120 ^[2] 广州中医药大学第二附属医院,广州 510120 ^[3] 季华实验室,广东佛山 528000 ^[4]

关键词细粒度图像分类注意力机制互斥正则深度学习 Fine-Grained Visual Classification(FGVC)attention mechanism mutual exclusion regularization deep learning

分类号 TP391.4

栏目名称

多媒体计算与计算机仿真

DOI 10.11772/j.issn.1001-9081.2022111662

发布时间 2023-07-27（万方平台首次上网日期，不代表论文的发表时间）

基金项目

广东省重点领域研发计划项目（2020B1111120004）广东省科技计划项目（X190311UZ190）