基于深度卷積神經(jīng)網(wǎng)絡(luò)的細粒度圖像識別與分類算法研究.pdf

1、隨著科學(xué)技術(shù)的高速發(fā)展，在人們的日常生活中，傳統(tǒng)以文字，語音等為載體的信息也逐漸被以圖像，視頻等超媒體形式的信息所替代。其中粗粒度圖像識別與分類技術(shù)在計算機視覺、模式識別、機器學(xué)習(xí)與深度學(xué)習(xí)等領(lǐng)域的現(xiàn)有成果，在實際生活中都有著廣泛的應(yīng)用。在此基礎(chǔ)上，結(jié)合實際需求，人們對精細圖像的識別與分類任務(wù)也越來越重視，即細粒度圖像的識別與分類。細粒度圖像識別與分類旨在檢測出某一基類別下數(shù)以百計的子類別。與粗粒度圖像識別的區(qū)別在于其目的是對子類別進行

2、進一步的識別。其難點在于各子類之間往往只有非常小的類間差異，而傳統(tǒng)圖像識別分類方法所使用的特征不足以精確的描述細粒度圖像的細節(jié)。現(xiàn)有對細粒度圖像任務(wù)的方法大多是將傳統(tǒng)特征作用在物體局部部件區(qū)域，以期通過特定部件來對物體進行識別分類，但這種方法不具有通用性。近幾年發(fā)展較快的深度卷積神經(jīng)網(wǎng)絡(luò)對圖像進行多次非線性變換操作，提取出包含信息更加豐富的深度特征，使細粒度圖像識別與分類任務(wù)看到了新的突破口。本文將細粒度圖像識別與分類任務(wù)與深度卷積神經(jīng)

3、網(wǎng)絡(luò)相結(jié)合，分別從強監(jiān)督和弱監(jiān)督兩個方面，結(jié)合實驗，對深度卷積特征及不同算法在細粒度圖像上的表現(xiàn)進行分析。
　　1、基于強監(jiān)督的細粒度圖像識別與分類算法研究。這類算法在模型訓(xùn)練階段除了常規(guī)的類別標(biāo)簽外，一般還需要額外的人工標(biāo)注信息來提升算法的準確率。實驗過程中首先利用改進的RCNN訓(xùn)練出物體整體級別和物體部件級別的不同檢測器，再對所得到的區(qū)域加上一定的幾何約束，從而篩選出有用的檢測器，最后將所得到的物體整體及部件一同送入卷積神經(jīng)網(wǎng)

4、絡(luò)訓(xùn)練，相當(dāng)于即保留了全局特征又加入了局部特征，保障了分類結(jié)果的準確性。作為對比，實驗過程中同時提出一種對該算法部件檢測器訓(xùn)練過程的改進方案，即先訓(xùn)練物體整體級檢測器，然后在此基礎(chǔ)上訓(xùn)練部件級檢測器，以期能夠?qū)Y(jié)果有進一步的提升。算法為了訓(xùn)練出效果較好的檢測器，額外利用了數(shù)據(jù)集中物體標(biāo)注信息，目的是將具有鑒別能力的小的部件塊提取出來，便于物體的識別與分類。
　　2、基于弱監(jiān)督的細粒度圖像識別與分類算法研究。這類算法在模型訓(xùn)練階段只

5、需要常規(guī)的類別標(biāo)簽而不需要額外的人工信息，結(jié)果的準確率往往通過算法自身的改進和特征的選擇來提升。由于弱監(jiān)督算法的以上特點，實驗過程中將原始圖像送入設(shè)置不同的深度卷積網(wǎng)絡(luò)，不同的網(wǎng)絡(luò)均對特定的特征敏感，因此所得特征圖可以從不同角度對原始圖像進行描述。同時選擇不同的方式對所得特征進行組合，目的是進一步豐富特征的描述能力。本文以雙流模型為基礎(chǔ)，即同一實驗過程中，對兩個不同設(shè)置的網(wǎng)絡(luò)所提取的特征進行融合。
　　本文研究發(fā)現(xiàn)深度卷積特征相比

6、較于傳統(tǒng)的人工特征，其提取過程是不斷地抽象的過程，對圖像的描述能力一般優(yōu)于傳統(tǒng)的人工特征描述子。結(jié)合細粒度圖像自身特點，其有鑒別力的區(qū)域往往是部件局部區(qū)域，在細粒度圖像識別與分類任務(wù)中，定位并檢測出有鑒別能力的局部部件區(qū)域是其中的一個難點。對于強監(jiān)督的算法來說，由于利用了大量的標(biāo)注信息，因此可以通過適當(dāng)?shù)姆椒▉碛?xùn)練部件檢測器，從而得到所需的局部部件區(qū)域，但也要注意到，額外的標(biāo)注信息需要投入大量的前期成本。對于弱監(jiān)督的算法來說其過程則顯得