【技术实现步骤摘要】
本专利技术涉及计算机视觉领域，特别是涉及一种基于弱监督的细粒度图像分类方法及系统。
技术介绍
1、在计算机视觉领域中，细粒度图像分类是一个重要的识别任务，它旨在识别外观相似但细节有微小差异的图像。
2、现有技术主要包括基于强监督和基于弱监督的细粒度图像分类方法。其中，基于强监督的方法通过对图像进行标注来训练特征提取网络，以提高网络对细节的感知能力和分类准确率。常用的强监督方法包括part-stack cnn(ps-cnn)基于人工标记的强部件标注信息，使用全卷积网络进行部件定位和一个双流的分类网络对物体及部件的特征进行编码，从而有效的利用了物体的细节信息，提高了分类准确率。mask-cnn模型主要包含两个部分：局部区域检测(local region detection)和局部特征描述子选择(local featuredescriptor selection)。其中，局部区域检测使用mask-cnn方法对图像中的物体局部区域进行检测和定位；而局部特征描述子选择则通过注意力机制来选择最具有代表性的局部特征描述子。不同于强监督的图像分类算法，弱监督图像分类算法不需要对图像进行额外的标注，仅仅依靠图像的类别标签，来获取图像中的细粒度特征。一种全新的循环注意力卷积神经网络(recurrent attention convolutional neural network，ra-cnn)，用互相强化的方式对判别区域注意力(discriminative region attention)和基于区域的特征表征(region-based
3、现有技术中，传统的特征提取网络在细粒度图像分类中的特征提取能力受到限制，细粒度图像分类模型仍然存在对变化和干扰的鲁棒性不足的问题。此外，基于强监督的方法需要人工大量的标注数据，且对细节的感知能力有限，局限了其在现实应用中的应用范围。因此，需要一种基于弱监督的细粒度分类方法，同时能够充分利用背景信息，提高分类准确性的技术解决方案。
技术实现思路
1、本专利技术的目的是提供一种基于弱监督的细粒度图像分类方法及系统，可基于弱监督，充分利用背景信息，提高分类准确性。
2、为实现上述目的，本专利技术提供了如下方案：
3、一种基于弱监督的细粒度图像分类方法，包括：
4、通过检测器分别检测并提取训练数据集中每张车辆图像的车辆，获得车辆目标图像集；
5、采用多分支结构和残差连接的方式，构建用于提取不同尺度和细节特征的特征提取器；
6、将所述特征提取器和分类器一起构成细粒度图像分类模型；其中，所述特征提取器用于提取车辆图像的特征图和注意力图；所述分类器用于根据提取的车辆图像的特征图和注意力图确定车辆的车型；
7、以车辆目标图像集和训练数据集作为输入，车辆图像中车辆的车型作为标签，训练细粒度图像分类模型，获得训练好的细粒度图像分类模型；
8、将待分类的车辆图像输入所述训练好的细粒度图像分类模型，获得待分类的车辆图像中车辆的车型。
9、一种基于弱监督的细粒度图像分类系统，包括：
10、检测模块，用于通过检测器分别检测并提取训练数据集中每张车辆图像的车辆，获得车辆目标图像集；
11、构建模块，用于采用多分支结构和残差连接的方式，构建用于提取不同尺度和细节特征的特征提取器；
12、分类模型确定模块，用于将所述特征提取器和分类器一起构成细粒度图像分类模型；其中，所述特征提取器用于提取车辆图像的特征图和注意力图；所述分类器用于根据提取的车辆图像的特征图和注意力图确定车辆的车型；
13、训练模块，用于以车辆目标图像集和训练数据集作为输入，车辆图像中车辆的车型作为标签，训练细粒度图像分类模型，获得训练好的细粒度图像分类模型；
14、应用模块，用于将待分类的车辆图像输入所述训练好的细粒度图像分类模型，获得待分类的车辆图像中车辆的车型。
15、根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
16、本专利技术公开一种基于弱监督的细粒度图像分类方法及系统，特征提取器可以提取不同尺度和细节的特征，从而更全面的表征图像；并通过检测器将车辆图像的目标车辆提取出来后，与原车辆图像同时输入细粒度图像分类模型中，使得细粒度图像分类模型同时可以得到背景信息和前景信息，从而充分利用背景信息，提高细粒度图像分类的准确度；而且在细粒度图像分类模型的训练过程中，本专利技术无需额外标注数据或使用其他特殊的迁移学习方法或数据集，即基于弱监督，实现了充分利用背景信息，提高分类准确性。
本文档来自技高网...【技术保护点】
1.一种基于弱监督的细粒度图像分类方法，其特征在于，包括：
2.根据权利要求1所述的基于弱监督的细粒度图像分类方法，其特征在于，所述检测器为使用深度可分离卷积及通道轮换机制的轻量级的检测器；
3.根据权利要求1所述的基于弱监督的细粒度图像分类方法，其特征在于，通过检测器分别检测并提取训练数据集中每张车辆图像的车辆，获得车辆目标图像集，之后还包括：
4.根据权利要求1所述的基于弱监督的细粒度图像分类方法，其特征在于，所述特征提取器包括：多个依次连接的Block层；
5.根据权利要求1所述的基于弱监督的细粒度图像分类方法，其特征在于，所述分类器用于根据提取的车辆图像的特征图和注意力图确定车辆的车型，具体包括：
6.根据权利要求5所述的基于弱监督的细粒度图像分类方法，其特征在于，根据提取的车辆图像的特征图和注意力图，采用BilinearAttentionPooling方法，生成特征矩阵，具体包括：
7.根据权利要求6所述的基于弱监督的细粒度图像分类方法，其特征在于，在训练阶段，采用BilinearAttention
8.一种基于弱监督的细粒度图像分类系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于弱监督的细粒度图像分类方法，其特征在于，包括：
2.根据权利要求1所述的基于弱监督的细粒度图像分类方法，其特征在于，所述检测器为使用深度可分离卷积及通道轮换机制的轻量级的检测器；
3.根据权利要求1所述的基于弱监督的细粒度图像分类方法，其特征在于，通过检测器分别检测并提取训练数据集中每张车辆图像的车辆，获得车辆目标图像集，之后还包括：
4.根据权利要求1所述的基于弱监督的细粒度图像分类方法，其特征在于，所述特征提取器包括：多个依次连接的block层；
5.根据权利要求1所述的基于弱监督的细粒度图像分类方法，其特征在于，所述...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。