论文部分内容阅读
随着计算机视觉领域相关技术的不断发展,在日常生产生活中,人们对图像分类提出了更加细致的需求,故细粒度图像分类问题成为了现今许多科研人员越来越关注的问题。在粗粒度图像分类任务中,图像分类的目标通常是“猫”、“狗”、“鸟”等传统意义上的类别分类。细粒度图像分类的目标则是粗粒度类别下的不同子类类别,如分类出鸟类中不同种类,诸如“北极燕鸥”、“里海燕鸥”等。相较于粗粒度图像分类问题,细粒度图像的分类难点在于不同子类的类内特征差异大,而类间的特征差异小,图像中复杂的背景特征也对分类产生了一定的干扰。本文针对如何有效的提取细粒度图像中精细化的图像特征进行了研究,将分级细化图像特征提取的方法应用到细粒度图像分类任务中,并针对不同的数据集的构建不同的分类与识别模型。主要工作如下:(1)构建基于多级特征的鸟类细粒度图像分类模型。由于经典的卷积神经网络模型设计的初衷是针对对粗粒度图像分类任务的,故其在细粒度图像分类任务中的分类效果并不理想。针对细粒度图像分类任务的难点,本文提出分级特征提取的方法,将鸟类细粒度图像特征提取分为原始图像级特征、鸟类对象级特征、鸟类部位级特征,逐层细化鸟类图像的特征提取,然后融合三个级别的特征映射输入分类器进行分类。在CUB200-2011数据集上的实验结果表明,分级特征提取的方法可以细化图像特征提取过程,捕捉到图像中的细粒度特征,提高细粒度图像的分类准确率。(2)构建基于双路卷积神经网络的植物叶片识别模型。在研究经典卷积神经网络模型识别叶片图像种类的过程中发现,错误识别的叶片与目标叶片有着相似的边缘形状。利用反卷积重建卷积层提取的叶片图像特征映射,得到在原图像像素空间的特征映射可视化图;分析可视化图可知,卷积核对叶片边缘形状的响应程度明显强于其他叶片特征,故存在相似边缘形状干扰叶片识别的缺陷。针对此问题本文提出双路卷积神经网络模型,细化叶片特征提取方式,两条路径分别输入原始叶片图像和相应纹理图像块,提取叶片的边缘形状特征与纹理特征,并融合两种特征输入分类器进行分类。在Flavia数据集上的实验结果表明,纹理特征可以避免相似边缘形状特征的干扰,提高叶片识别准确率。本文两个模型均应用了细化图像特征映射提取的思想,由经典的CUB200-2011数据集拓展到林业领域的Flavia叶片数据集,针对不同的细粒度图像样本构建不同的深度卷积神经网络模型结构。经实验证明,此方法有效的捕捉了细粒度图像中的细微特征,提升了分类与识别的效果。