典型文献
细粒度图像分类的通道自适应判别性学习方法
文献摘要：
由于类内差异大且类间差异小,因此细粒度图像分类极具挑战性.鉴于深层特征具有很强的特征表示能力,而中层特征又能有效地补充全局特征在图像细粒度识别中的缺失信息,因此,为了充分利用卷积层的特征,本文提出细粒度图像分类的通道自适应判别性学习方法:首先在通道方向上聚集中级特征以获取目标位置;然后对通过感兴趣区域特征交互级联得到的信息进行分类;最后进行端到端的训练,无需任何边界框和零件注释.在CUB-200-2011、Stanford Cars和FGVC-Aircraft这3个公共数据集上开展大量实验,与其他方法相比,本文方法既可以保持简单性和推理效率又可提升分类准确度.
文献关键词：
细粒度图像分类;通道自适应;掩模;特征增强;感兴趣区域
中图分类号：
作者姓名：
杨贞;单孟姣;殷志坚;杨凡;李翠梅
作者机构：
江西科技师范大学通信与电子学院,江西 南昌 330013
文献出处：
引用格式：
[1]杨贞;单孟姣;殷志坚;杨凡;李翠梅-.细粒度图像分类的通道自适应判别性学习方法)[J].计算机与现代化,2022(10):68-74
A类：
判别性学习
B类：
细粒度图像分类,通道自适应,自适应判别,类内差异,类间差异小,深层特征,特征表示,示能,中层,全局特征,细粒度识别,失信,卷积层,中级,目标位置,感兴趣区域,区域特征,特征交互,端到端,边界框,零件,CUB,Stanford,Cars,FGVC,Aircraft,公共数据,其他方法,单性,掩模,特征增强
AB值：
0.370976
相似文献
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。
