细粒度图像识别是对大类下的子类图像进行更为精细的划分,比如区分一只狗是哈士奇还是萨摩耶。细粒度图像识别的挑战在于其不同类之间的差异较小,相同类别有时差异较大等。基于细粒度图像中固有的特性,如判别性区域较小、图像特征差异化程度不够等,以往的识别方法存在着有区分度的区域信息提取单一和特征不够丰富等问题,使得此任务还存在一些改进空间。针对这些瓶颈,本文设计了多个以深度学习为基础的细粒度图像识别方法,在弱监督场景下提取细粒度图像中尽可能丰富且准确的信息,进而实现了识别准确率的提高。本文中完成的工作内容如下:1.基于高效通道注意力多分支网络的细粒度图像识别方法。针对现有的多分支结构网络大都仅使用单一注意力建议子网络捕捉图像细节,造成的图像部件信息较单一而影响识别表现的问题,提出了本章方法。首先,本方法在递归注意力神经网络的基础上,设计了一种基于高效注意力模块的多分支网络,捕捉通道间交互信息,更准确地捕捉目标的位置信息;其次使用了深度过参数化卷积将常用的普通卷积进行替换,使网络可学习的参数增多。此外还采用改进的注意力部件模块切割出多个图像关键区域部件,使网络关注到的图像部件信息更多样化。最后设计实验,在多个细粒度数据集得到的最终效果表明,本方法能够有效提升细粒度识别准确率。2.基于增强特征提升的细粒度图像识别方法。现有方法大多在提取图像特征时,最显著局部特征以外的特征提取不够,且单独处理局部特征,忽略了特征与特征之间的关系。因此,本文在特征增强抑制模块基础上,提出了加入金字塔残差卷积、软池化方法和特征聚焦模块的增强特征提升方法。在此方法中,金字塔残差卷积首先使用不同尺度卷积核捕捉场景中不同级别的特征,而软池化方法合理分配池化过程中的信息权重,二者联合增强了网络的非最显著特征提取能力。其次,特征聚焦模块利用上述过程挖掘到的更多特征,聚焦于获取多个局部特征中的相似信息作为判别性特征,进一步提高识别效果。设计的实验在多个数据集上的实验展示了此方法具有有效性和泛化性。3.基于生物系统发育树的多层次细粒度识别方法。受到部分细粒度识别方法引入其他学科概念和工具提高识别效果的启发,首先根据生物学先验知识针对数据集构造系统发育树,其次根据数据集特点进行优化,构建分类树,从而构造以生物分类学先验知识为基础的辅助分类体系,进行预先分类降低了较高层次下不同种类的误判率。其次引入基于Transformer的深度学习网络进行分类,提高了识别效果。本实验方法在两个不同生物图像数据集上的识别率都处于优秀水准,表明此方法的可行性和高效。