哈尔滨理工大学 测控技术与通信工程学院,黑龙江哈尔滨150080
为了解决传统深度卷积神经网络在舰船图像细粒度分类中的局限性,本文设计了细粒度遥感舰船开集识别模型。首先,引入了基于注意力机制的STN模块,加在特征提取网络前用来过滤背景信息;然后在STN模块后接一个多尺度的并行的卷积结构,强化网络对不同尺度的局部区域的特征提取能力;接着将提取到的特征分别输入基分支和元嵌入分支,用来增大类间方差和减小类内方差,同时强化模型对尾类小样本的学习;最后对两个分支的分类结果进行决策融合,根据设定的阈值判别已知类和未知类进一步对已知类进行细分。在平衡与不平衡分布的FGSCR-42数据集上进行了4种开放度实验,结果表明:在平衡分布的数据集上4种开放度的平均准确率为90.5%,86.3%,85.7%,85.1%,不平衡分布数据集的平均准确率为90.0%,85.1%,84.3%,84.1%。与当前主流的舰船识别方法相比,本文方法分类具有更高的识别准确率和更好的泛化能力。
注意力机制 细粒度分类 开集识别 决策融合 attention mechanism fine-grained classification open set recognition decision fusion 光学 精密工程
2023, 31(24): 3618
鉴别野生菌的种类是预防误食有毒野生菌的重要途径。因此,为了提高野生菌细粒度识别分类的准确率,对卷积模块的注意力机制模块(CBAM)进行改进,提出了一种并行相加卷积模块的注意力机制模块PA_CBAM,将CBAM中的通道注意力模块和空间注意力模块从原来的串行连接改为并行连接并相加,解决了2种注意力模块因串行连接带来的互相干扰问题。另外,参考特征金字塔的思想改进ResNet50,其Top-1和Top-5准确率达到86.03%和97.19%,较原来提升0.86和0.73个百分点;其添加PA_CBAM后在Top-1和Top-5准确率达到88.52%、97.58%,较CBAM模块提高了3.03和0.69个百分点。此外,为了将模型移植到移动端,结合迁移学习,提出了MobileNet_v2+PA_CBAM的识别方法,准确率达到94.87%,较之前提升0.66个百分点。研究表明:提出的注意力机制模块PA_CBAM在野生菌细粒度识别研究中具有更好的识别效果,具有一定的泛用性,并且MobileNet_v2+PA_CBAM训练后模型大小仅为27.8 MB,识别图片的平均耗时仅为1.3 ms,是在移动端部署野生菌识别的理想模型。
图像识别 细粒度分类 特征融合 注意力机制 迁移学习 激光与光电子学进展
2023, 60(4): 0410004
合肥工业大学计算机与信息学院,安徽 合肥 230601
现有的细粒度分类模型不仅利用图像的类别标签, 还使用大量人工标注的额外信息。为解决该问题, 本文提出一种深度迁移学习模型, 将大规模有标签细粒度数据集上学习到的图像特征有效地迁移至微型细粒度数据集中。首先, 通过衔接域定量计算域间任务的关联度。然后, 根据关联度选择适合目标域的迁移特征。最后, 使用细粒度数据集视图类标签进行辅助学习, 通过联合学习所有属性来获取更多的特征表示。实验表明, 本文方法不仅可以获得较高精度, 而且能够有效减少模型训练时间, 同时也验证了进行域间特征迁移可以加速网络学习与优化这一结论。
迁移学习 细粒度分类 深度学习 卷积神经网络 transfer learning fine-grained categorization deep learning convolutional neural network