随着移动互联网和智能手机的蓬勃发展,互联网上的图片越来越多,不仅包括一些通用图像,如建筑等,还有精细图像,如花卉、鸟类等。相比通用图像,由于精细图像类别存在较大的类内差异性和较高的类间相似性,这增加了精细图像分类的难度;另外,与日俱增的图片数量要求有一种算法可以在仅用少量或者不用旧数据集的情况下快速重新训练新的模型,并且新的模型可以具备识别新旧数据集的能力,这也就是增量学习出现的原因。本文将从深度学习角度分别研究精细图像分类和增量学习问题,主要贡献如下:1.本文提出了一种改进型的center loss的精细图像分类方法。该方法利用深度学习和度量学习的理论,在center loss的基础上,在损失函数中增加了计算最近其他类中心距离的约束项,此约束项具有增大类别间距离的优点,因此本文方法不仅具备center loss能够减小类内距离的优势,还可以增大类间的距离,从而加强网络学习到的特征的区分性。此方法在常用的CUB200-2011和Food-101数据库上进行了实验,最终的实验结果表明,改进型的center loss对精细图像具有较好的分类性能。2.本文提出了一种基于深度学习和正则化思想被称为Reinforce Elastic Weight Consolidation(REWC)的增量学习方法。此方法在EWC算法的基础上采用L2正则化,然后保留少量旧数据集样本和新的数据集一起训练新网络模型使得新的网络模型对旧数据集还有较好的分类性能。此方法在Food-101数据集上和其他增量学习方法进行对比实验,最终的实验结果表明,本文提出的增量学习方法对新旧数据集都有较好分类性能。3.本文收集和建立了一个真实环境下的食材图像数据库(FOOD-SCUT)。该食材图像数据库是包含了目前中国市面上常见的70个食材类别,包括各种常见的蔬菜、瓜类等。此外,本文尝试性地利用不同的传统特征和分类方法,包括卷积神经网络,来对此食材图像数据库进行自动分类,以此来分析对比各种特征和分类方法在该数据库上的分类性能。