一种基于非形变对象特征提取的细粒度图像分类方法技术

一种基于非形变对象特征提取的细粒度图像分类方法，包括以下步骤；步骤1；通过CNN卷积神经网络提取整个原始输入图像的特征；步骤2，通过高频通道筛选出对图像分类起关键性作用的通道；步骤3，对高频通道进行整合并生成掩码，并取最具有差别性的连通区域作为后续的截取目标区域；步骤4，通过非形变对象区域截取策略对目标区域进行截取；步骤5，最终对原始图像特征和截取出的判别区域特征的高频通道特征图进行特征融合，在此基础上得到分类结果。本发明专利技术基于CNN提取的原始卷积特征，通过集成高频通道选择、局部判别区域定位两个模块和非形变对象区域截取策略构成一个FLNet网络分类预测，利用该方法进行分类预测著提高了细粒度视觉分类任务的性能。

【技术实现步骤摘要】

本专利技术属于细粒度图像分类，具体涉及一种基于非形变对象特征提取的细粒度图像分类方法。

技术介绍

1、广泛的细粒度分类工作已经被开发出来，以区分一个基本级别类别下的不同子类别的对象。分类骨干网络，如vgg-16和resnet-50，在fgvc中发挥了不可替代的作用。为了提取细微的差异，许多工作都设计了一个网络来定位有辨识度的部分区域。早期的工作是利用零件注释和图像级别的标签来监督网络的学习过程。例如，zhang等人提出了一个零件定位模型，该模型利用r-cnn来检测物体并在几何先验条件下定位其零件。mask-cnn被提出来捕捉物体级和零件级信息。然而，部分注释严重依赖人工，而人工标注通常是昂贵的且不可用的。因此，只需要图像级标签的弱监督网络如今受到了更多的关注。

2、复杂的背景往往会干扰图像的理解与识别，尤其是在细粒度图像分类中，类内差异很大程度上来自于复杂背景的干扰，所以细粒度图像分类任务需要解决的一个关键问题是如何提取关键的对象区域信息来最大可能的避免背景干扰。现有的很多细粒度分类算法通过定位目标区域并在图像上截取对应位置区域来获得目标区域图本文档来自技高网...

【技术保护点】

1.一种基于非形变对象特征提取的细粒度图像分类方法，其特征在于，包括以下步骤；

2.根据权利要求1所述的一种基于非形变对象特征提取的细粒度图像分类方法，其特征在于，所述步骤2具体为：

3.根据权利要求2所述的一种基于非形变对象特征提取的细粒度图像分类方法，其特征在于，所述步骤2c)具体为：

4.根据权利要求1所述的一种基于非形变对象特征提取的细粒度图像分类方法，其特征在于，所述步骤3具体为：

5.根据权利要求4所述的一种基于非形变对象特征提取的细粒度图像分类方法，其特征在于，所述步骤4具体为：

6.根据权利要求5所述的一种基于非...

【技术特征摘要】

1.一种基于非形变对象特征提取的细粒度图像分类方法，其特征在于，包括以下步骤；

2.根据权利要求1所述的一种基于非形变对象特征提取的细粒度图像分类方法，其特征在于，所述步骤2具体为：

3.根据权利要求2所述的一种基于非形变对象特征提取的细粒度图像分类方法，其特征在于，所述步骤2c)具体为：

4.根据权利要求1所述的一种基于非形变对象特征提取的细粒度图像分类方法，其特征在于，所述步骤3具体为：

5.根据权利要求4所述的一种基于非形变对象特征提取的细粒...

【专利技术属性】
技术研发人员：赵佩佩，苗启广，丁伟，姚航，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：