隨著深度學(xué)習(xí)技術(shù)的廣泛發(fā)展,細(xì)粒度圖像識別技術(shù)成為當(dāng)前計算機(jī)視覺領(lǐng)域研究的熱點(diǎn)。細(xì)粒度圖像識別的方法可以分為需要人工標(biāo)注包圍框或標(biāo)注點(diǎn)的強(qiáng)監(jiān)督方法、不需要任何標(biāo)注信息的無監(jiān)督方法和只需要圖像級別標(biāo)注的弱監(jiān)督方法。弱監(jiān)督的好處在于它不僅可以大大節(jié)省人力、財力,而且還可以達(dá)到很好的識別精度。因此,本文研究弱監(jiān)督下的細(xì)粒度圖像識別。研究弱監(jiān)督下的細(xì)粒度圖像識別需要提取出圖像細(xì)微的判別性特征,一些常用的方法是直接利用卷積神經(jīng)網(wǎng)絡(luò)或者基于視覺注意力機(jī)制的方法提取圖像的判別性特征,這種方法往往只能提取到圖像一些主要顯著的判別性特征,而不能學(xué)習(xí)到其他次要顯著的判別性特征。當(dāng)兩個圖像被提取出的主要顯著的判別性特征非常相似時,僅僅依靠主要顯著的判別性特征是不夠的,此時次要顯著的判別性特征顯得極為重要。我們嘗試使用一種基于對抗互補(bǔ)注意力機(jī)制的方式,它不僅可以提取出圖像主要顯著的判別性特征而且還可以提取出圖像次要顯著的判別性特征,此方法主要包含兩個分類器,其中分類器A用來學(xué)習(xí)物體一些特別顯著的判別性特征,分類器B將分類器A學(xué)習(xí)到的這些判別性特征擦除掉,然后再去學(xué)習(xí)下一個判別性特征,即相對于分類器A學(xué)到的次要...

【文章頁數(shù)】：57 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖1-1通用圖像識別與細(xì)粒度圖像識別示意圖

弱監(jiān)督下基于對抗互補(bǔ)注意力機(jī)制和分層雙線性池化的細(xì)粒度圖像識別11緒論1.1研究背景及意義近年來，人工智能技術(shù)發(fā)展迅速，圖像識別技術(shù)也隨之發(fā)展的越來越成熟，關(guān)于圖像識別方面的應(yīng)用領(lǐng)域也越來越廣泛。圖像識別是計算機(jī)視覺這一大領(lǐng)域下的一個比較受歡迎的子研究方向，圖像識別技術(shù)通過對圖像....

圖2-1:細(xì)粒度圖像不同類之間差別小，相同類之間差別大的實例圖

弱監(jiān)督下基于對抗互補(bǔ)注意力機(jī)制和分層雙線性池化的細(xì)粒度圖像識別72相關(guān)工作介紹2.1細(xì)粒度圖像識別當(dāng)前研究細(xì)粒度圖像識別的特點(diǎn)在于同一超類別之間的差異小，而不同子類別之間存在著細(xì)微的差異[23]，例如圖2-1所示，細(xì)粒度圖像識別是現(xiàn)在圖像分類中一個頗具挑戰(zhàn)性的任務(wù)，它的目標(biāo)是在一....

圖2-2OPAM[24]網(wǎng)絡(luò)模型簡圖

碩士學(xué)位論文82.1.1基于圖像判別性區(qū)域定位的方法基于圖像判別性區(qū)域定位的方法集中探討如何利用弱監(jiān)督的圖像標(biāo)簽信息來自動找到圖像中具有判別性的區(qū)域，以此來達(dá)到細(xì)粒度圖像識別的目的。首先，使用神經(jīng)網(wǎng)絡(luò)找到圖像中識別的對象區(qū)域，然后再在對象區(qū)域的基礎(chǔ)上找到具有判別性特征的區(qū)域。針對....

圖2-3“破壞與重構(gòu)學(xué)習(xí)”（DCL）[25]的網(wǎng)絡(luò)模型簡圖

弱監(jiān)督下基于對抗互補(bǔ)注意力機(jī)制和分層雙線性池化的細(xì)粒度圖像識別9和Partspatialconstraint兩個約束部分。Objectspatialconstraint強(qiáng)制讓所選出來的部分區(qū)域位于對象區(qū)域，并具有高度的代表性，Partspatialconstraint減少了部分之....

本文編號：3923799