期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到6篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于ECA-Net与多尺度结合的细粒度图像分类方法 被引量：17
1
作者 毛志荣 都云程 +1 位作者 肖诗斌 施水才 《计算机应用研究》 CSCD 北大核心 2021年第11期3484-3488,共5页
针对细粒度图像分类问题提出了一种有效的算法以实现端到端的细粒度图像分类。ECA-Net中ECA(efficient channel attention)模块是一种性能优势显著的通道注意力机制,将其与经典网络ResNet-50进行融合构成新的基础卷积神经网络ResEca;通... 针对细粒度图像分类问题提出了一种有效的算法以实现端到端的细粒度图像分类。ECA-Net中ECA(efficient channel attention)模块是一种性能优势显著的通道注意力机制,将其与经典网络ResNet-50进行融合构成新的基础卷积神经网络ResEca;通过物体级图像定位模块与部件级图像生成模块生成物体级图像和部件级图像,并结合原始图像作为网络的输入,构建以ResEca为基础的三支路网络模型Tb-ResEca-Net(three branch of ResEca network)。该算法在公有数据集CUB-200-2011、FGVC-aircraft和Stanford cars datasets上进行测试训练,分别取得了89.9%、95.1%和95.3%的准确率。实验结果表明,该算法相较于其他传统的细粒度分类算法具有较高的分类准确率以及较强的鲁棒性,是一种有效的细粒度图像分类方法。 展开更多
关键词 注意力机制 深度学习 细粒度图像分类 多尺度
下载PDF
自上而下注意图分割的细粒度图像分类 被引量：11
2
作者 冯语姗 王子磊 《中国图象图形学报》 CSCD 北大核心 2016年第9期1147-1154,共8页
目的针对细粒度图像分类中的背景干扰问题,提出一种利用自上而下注意图分割的分类模型。方法首先,利用卷积神经网络对细粒度图像库进行初分类,得到基本网络模型。再对网络模型进行可视化分析,发现仅有部分图像区域对目标类别有贡献,利... 目的针对细粒度图像分类中的背景干扰问题,提出一种利用自上而下注意图分割的分类模型。方法首先,利用卷积神经网络对细粒度图像库进行初分类,得到基本网络模型。再对网络模型进行可视化分析,发现仅有部分图像区域对目标类别有贡献,利用学习好的基本网络计算图像像素对相关类别的空间支持度,生成自上而下注意图,检测图像中的关键区域。再用注意图初始化GraphCut算法,分割出关键的目标区域,从而提高图像的判别性。最后,对分割图像提取CNN特征实现细粒度分类。结果该模型仅使用图像的类别标注信息,在公开的细粒度图像库Cars196和Aircrafts100上进行实验验证,最后得到的平均分类正确率分别为86.74%和84.70%。这一结果表明,在GoogLeNet模型基础上引入注意信息能够进一步提高细粒度图像分类的正确率。结论基于自上而下注意图的语义分割策略,提高了细粒度图像的分类性能。由于不需要目标窗口和部位的标注信息,所以该模型具有通用性和鲁棒性,适用于显著性目标检测、前景分割和细粒度图像分类应用。 展开更多
关键词 细粒度图像分类 卷积神经网络 自上而下注意图 GraphCut GoogLeNet
原文传递
深度细粒度图像识别研究综述 被引量：11
3
作者 邓旭冉 闵少波 +3 位作者 徐静远 李攀登 谢洪涛 张勇东 《南京信息工程大学学报（自然科学版）》 CAS 2019年第6期625-637,共13页
细粒度图像分类是计算机视觉中一项基础且重要的工作,其目的在于区分难以辨别的对象类别(例如不同子类的鸟类、花或动物).不同于传统的图像分类任务可以雇佣大量普通人标注,细粒度数据集通常需要专家级知识进行标注.除了视觉分类中常见... 细粒度图像分类是计算机视觉中一项基础且重要的工作,其目的在于区分难以辨别的对象类别(例如不同子类的鸟类、花或动物).不同于传统的图像分类任务可以雇佣大量普通人标注,细粒度数据集通常需要专家级知识进行标注.除了视觉分类中常见的姿态、光照和视角变化因素之外,细粒度数据集具有更大的类间相似性和类内差异性,因此要求模型能够捕捉到细微的类间差异信息和类内公有信息.除此之外,不同类别的样本存在不同程度的获取难度,因此细粒度数据集通常在数据分布中表现出长尾的特性.综上所述,细粒度数据分布具有小型、非均匀和不易察觉的类间差异等特点,对强大的深度学习算法也提出了巨大的挑战.本文首先介绍了细粒度图像分类任务的特点与挑战,随后以局部特征与全局特征两个主要视角整理了目前的主流工作,并讨论了它们的优缺点.最后在常用数据集上比较了相关工作的性能表现,并进行了总结与展望. 展开更多
关键词 细粒度图像识别 深度学习 局部区域检测 双线性池化
下载PDF
多分支多尺度的自注意力细粒度图像分类算法
4
作者 张峰 王高才 《小型微型计算机系统》 CSCD 北大核心 2023年第12期2784-2790,共7页
细粒度视觉分类(FGVC)是计算机视觉的一个重要的研究分支,但是由于细粒度分类任务中图片由于变形,遮挡,光照差异等引起的同种类之间差异大和不同种类之间差异小的原因,使得它成为一项十分具有挑战性的任务.本篇论文通过改进MMAL-net(Mul... 细粒度视觉分类(FGVC)是计算机视觉的一个重要的研究分支,但是由于细粒度分类任务中图片由于变形,遮挡,光照差异等引起的同种类之间差异大和不同种类之间差异小的原因,使得它成为一项十分具有挑战性的任务.本篇论文通过改进MMAL-net(Multi-branch and Multi-scale Attention Learning for Fine-Grained Visual Categorization)算法以细粒度视觉分类的问题.本文的方法使用注意对象定位模块(ALOM)预测对象在图片中的位置,注意力部分建议模块(APPM)以在不需要边框或部分标注的情况下提出信息丰富的部分区域.得到的目标图像不仅包含了目标的几乎整个结构,而且包含了更多的细节,部分图像具有许多不同的尺度和更细粒度的特征,原始图像包含了完整的目标.三类图像由多分支网络进行监督学习.本文引入注意力机制使用Split-Attention模块对不同分支之间的输出进行权重再分配,并且引入SENet(Squeeze-and-Excitation Networks)使模型关注通道特征.本文的模型对不同尺度的图像具有良好的分类能力与鲁棒性,同时可以端到端进行训练并且有较短的推理时间.通过在CUB200-2011、FGVC-Airline和Stanford Cars数据集上的综合实验表明,本文的方法具有超越MMAL-net的分类性能,并且可以与最好的算法进行比较. 展开更多
关键词 细粒度视觉分类 弱监督学习 注意力机制 Split-Attention SENet
下载PDF
基于深度学习的机场危险鸟类识别算法
5
作者 曹辰鹏 易浩 +1 位作者 张栗粽 母翀 《智能安全》 2023年第2期26-37,共12页
机场中飞翔的鸟类对于飞机安全飞行的危害极大,为避免飞鸟撞击飞机事故的发生,机场需识别出飞鸟的种类并自动做出对应的驱鸟措施,如声波驱鸟、光驱鸟等等,相比于直接采用混合驱鸟方式,上述方法节省了大量人力和物力.但机场飞鸟种类识别... 机场中飞翔的鸟类对于飞机安全飞行的危害极大,为避免飞鸟撞击飞机事故的发生,机场需识别出飞鸟的种类并自动做出对应的驱鸟措施,如声波驱鸟、光驱鸟等等,相比于直接采用混合驱鸟方式,上述方法节省了大量人力和物力.但机场飞鸟种类识别是一个十分棘手的问题.首先,作为细粒度分类问题,飞鸟类间相似度较高且类内对图像的变化十分敏感;其次,每种飞鸟图像较少,易造成过拟合问题;最后,机场采集的飞鸟图像呈现出剪影化、重影化、遮挡的形态,相比于正常拍摄的图像,丢失了许多特征细节.为了解决上述问题,根据实际情况提出了涵盖危险鸟类的数据集,并提出了以二值化算法为核心的预处理方法,同时在细粒度图像分类算法层面,提供了两种思路:第一,为解决类间相似度高的问题,本文使用堆叠的Swin Transformer作为骨干网络提取细腻的特征表示,并结合中心损失函数与有监督的Softmax损失函数,得到了比常规架构和损失更佳的结果;第二,考虑到图像质量低、样本少的问题,使用集成学习的方法,用不同的网络架构提取特征表示,达到充分利用图像信息的目的.上述两种方法的实验结果表明,前者在Nabirds数据集上识别率达到90%以上,而在整合的数据集上识别率达到64%;集成学习则有效地提取了低质量图像的特征,达到了理想的效果. 展开更多
关键词 人工智能 深度学习 图像细粒度分类 集成学习
下载PDF
基于CAM与双线性网络的鸟类图像识别方法 被引量：4
6
作者 王越 冯振 《重庆理工大学学报（自然科学）》 CAS 北大核心 2021年第11期136-141,239,共7页
细粒度图像识别问题是针对同一个大类下面的不同子类进行精确识别。细粒度图像分类以其类间差异小、类内差异大等特点,一直是计算机视觉领域研究的热点和难点。针对利用CAM网络提取最佳判别性区域,导致缺乏其他辅助判别区域特征。为此,... 细粒度图像识别问题是针对同一个大类下面的不同子类进行精确识别。细粒度图像分类以其类间差异小、类内差异大等特点,一直是计算机视觉领域研究的热点和难点。针对利用CAM网络提取最佳判别性区域,导致缺乏其他辅助判别区域特征。为此,提出利用CAM网络反复提取判别性区域特征,对不同判别性区域施加权重,得到最终的判别性区域,使用注意力双线性网络提取图像高阶特征。同时引入嵌入空间,利用一种新的混合损失函数提高特征的判别性,进而提高方法的分类性能。在公开的细粒度数据集上,CUB-200-2011分类准确率为87.3%,比ResNet50网络提高5.6个百分点。实验结果表明:该方法能有效提高弱监督鸟类图像分类的准确率。 展开更多
关键词 图像分类 细粒度图像分类 双线性卷积神经网络
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
使用帮助 返回顶部