典型文献
结合前景特征增强与区域掩码自注意力的细粒度图像分类
文献摘要：
为解决细粒度图像分类中不相关背景信息干扰以及子类别差异特征难以提取等问题,提出了一种结合前景特征增强和区域掩码自注意力的细粒度图像分类方法.首先,利用ResNet50提取输入图片的全局特征;然后通过前景特征增强网络定位前景目标在输入图片中的位置,在消除背景信息干扰的同时对前景目标进行特征增强,有效突出前景物体;最后,将特征增强的前景目标通过区域掩码自注意力网络学习丰富、多样化且区别于其他子类的特征信息.在训练模型的整个过程,建立多分支损失函数约束特征学习.实验表明,该模型在细粒度图像数据集CUB-200-2011、Stanford Cars和FGVC-Aircraft的准确率分别达到了 88.0％、95.3％和93.6％,优于其他主流方法.
文献关键词：
细粒度图像分类;目标定位;区域掩码;自注意力;多样化特征;特征增强;残差网络;深度学习
中图分类号：
作者姓名：
刘万军;赵思琪;曲海成;王宇萍
作者机构：
辽宁工程技术大学软件学院,辽宁葫芦岛125105
文献出处：
引用格式：
[1]刘万军;赵思琪;曲海成;王宇萍-.结合前景特征增强与区域掩码自注意力的细粒度图像分类)[J].智能系统学报,2022(06):1134-1144
A类：
B类：
特征增强,区域掩码,细粒度图像分类,不相关,背景信息,子类,差异特征,分类方法,ResNet50,全局特征,网络定位,景物,自注意力网络,网络学习,特征信息,训练模型,多分支,损失函数,函数约束,特征学习,图像数据集,CUB,Stanford,Cars,FGVC,Aircraft,主流方法,目标定位,多样化特征,残差网络
AB值：
0.352827
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。
