基于多尺度反复注意力机制的细粒度图像分类方法技术

本发明专利技术公开了一种基于多尺度反复注意力机制的细粒度图像分类方法，所述方法包括：对训练数据集进行随机裁剪，水平翻转来增强数据集，防止过拟合；在ResNet50模型的基础上以多尺度的方式，引入反复注意力机制；输入训练样本，将训练样本统一输入大小为448*448，使用多尺度反复注意力模型作为特征提取器，将不同尺度得到的特征矩阵进行拼接，送入全连接层和softmax进行分类训练；保存最终的训练模型，在测试集上进行测试，得到最终的准确率。本发明专利技术提高了细粒度图像的分类准确率。

Fine-grained image classification based on multi-scale repeated attention mechanism

【技术实现步骤摘要】
基于多尺度反复注意力机制的细粒度图像分类方法
本专利技术涉及图像分类任务中的细粒度图像分类领域，细粒度图像分类是对某一类别下的图像子类进行精确划分。细粒度图像分类以其“特征相似，姿态各异，背景干扰”等特点，一直是计算机视觉和模式识别领域的研究热点和难点，具有重要的研究价值。尤其涉及一种基于多尺度反复注意力机制的细粒度图像分类方法。
技术介绍
鉴于传统算法对细粒度图像分类准确率低，模型泛化能力差，基于深度学习实现细粒度图像分类逐渐成为当前的主流，主要可分为：强监督算法和弱监督算法2大类。其中，强监督算法需要基于人工标注特征完成，利用人工标注好的信息对待分类目标的判别性区域进行精确定位，可以大大减少运算时间，但是由于强监督算法成本较高，对显著性特征提取能力不足，不能满足实际工程的需要，与之相比，弱监督算法生成的特征矩阵具有更好的表现力。细粒度图像分类的难点在于：训练样本的分类数目较多，但每个类别下的样本数目太少，容易导致过拟合；网络模型复杂，参数量较多，对计算机要求较高；同一类别下的样本受光照，姿态等影响差异较大，使得网络难以学习到判别性特本文档来自技高网...

【技术保护点】
1.一种基于多尺度反复注意力机制的细粒度图像分类方法，其特征在于，所述方法包括：/n对训练数据集进行随机裁剪，水平翻转来增强数据集，防止过拟合；/n在ResNet50模型的基础上以多尺度的方式，引入反复注意力机制；/n输入训练样本，将训练样本统一输入大小为448*448，使用多尺度的反复注意力模型作为特征提取器，将不同尺度得到的特征矩阵进行拼接，送入全连接层和softmax进行分类训练；/n保存最终的训练模型，在测试集上进行测试，得到最终的准确率。/n

【技术特征摘要】
1.一种基于多尺度反复注意力机制的细粒度图像分类方法，其特征在于，所述方法包括：
对训练数据集进行随机裁剪，水平翻转来增强数据集，防止过拟合；
在ResNet50模型的基础上以多尺度的方式，引入反复注意力机制；
输入训练样本，将训练样本统一输入大小为448*448，使用多尺度的反复注意力模型作为特征提取器，将不同尺度得到的特征矩阵进行拼接，送入全连接层和softmax进行分类训练；
保存最终的训练模型，在测试集上进行测试，得到最终的准确率。


2.根据权利要求1所述的一种基于多尺度反复注意力机制的细粒度图像分类方法，其特征在于，所述反复注意力机制具体为：
先将某一层级的特征矩阵X，并行经过通道和空间注意力支路，分别得到通道和空间权重矩阵；再将特征矩阵X与通道权重矩阵相乘，对输入图像的不同特征图进行权重赋值；
再与空间权重矩阵相乘，以去除无关背景的干扰；最后以残差的方式，将注意力结果与输入特征X结合。


3.根据权利...

【专利技术属性】
技术研发人员：何凯，冯旭，高圣楠，马希涛，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12