典型文献
基于多粒度空间混乱的细粒度图像分类算法
文献摘要：
细粒度图像分类是计算机视觉领域一个具有挑战性的任务,在实际场景中具有很高的应用价值.其中不同子类别的物体整体轮廓差异较小,微小的判别性局部区域是分类的关键.然而,这些重要的局部区域的尺度可能不同,不能用单一的标准去衡量它们.为了解决这个问题,本文提出了多粒度空间混乱模块来帮助神经网络学习如何寻找到不同尺度的判别性细节.该模块首先将图片划分为不同粒度的局部区域,然后随机打乱并重组构成新的输入图片.经过处理的图片具有区域无关性,从而迫使网络更好地在不同粒度层次下寻找有判别力的局部区域并从中学习特征.在3个广泛使用的细粒度图像分类数据集上的实验证明本文提出的模块可以有效地帮助网络寻找判别性局部区域从而提升了准确率并且网络不需要图片的任何部位标注信息.
文献关键词：
细粒度图像分类;空间混乱;多粒度;深度学习;数据增强;卷积神经网络;弱监督学习;局部区域
中图分类号：
作者姓名：
宋思雨;苗夺谦
作者机构：
同济大学电子与信息工程学院, 上海 201804;同济大学嵌入式系统与服务计算教育部重点实验室, 上海201804
文献出处：
引用格式：
[1]宋思雨;苗夺谦-.基于多粒度空间混乱的细粒度图像分类算法)[J].智能系统学报,2022(01):144-150
A类：
B类：
多粒度空间,空间混乱,细粒度图像分类,图像分类算法,计算机视觉,子类,整体轮廓,判别性,局部区域,神经网络学习,不同尺度,片划分,不同粒度,打乱,组构,迫使,学习特征,分类数据,要图,位标,标注信息,数据增强,弱监督学习
AB值：
0.278083
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
