基于对象-局部关注区的细粒度图像分类模型

基于对象-局部关注区的细粒度图像分类模型(中文12000字,英文PDF)
摘要：细粒度图像分类是识别属于同一基本类别的数百个子类别，例如属于鸟类的200个子类别，由于同一子类别的差异较大且不同子类别之间的差异较小，因此具有高度挑战性。现有方法通常首先定位对象或部分，然后区分图像属于哪个子类别。但是，它们主要有两个局限性：（1）依赖于耗费大量劳动力的对象或部分注释。 （2）忽略物体与其各部分之间以及这些部分之间的空间关系，这两者对于找到有辨别力的部分都非常有帮助。因此，本文提出了弱监督细粒度图像分类的对象关注模型（OPAM），主要的新颖性是：（1）对象关注模型集成了两个层次的关注：对象层次关注定位图像对象，部分 - 级别注意选择对象的判别部分。两者共同用于学习多视图和多尺度功能，以增强他们的相互促销。 （2）对象部分空间约束模型结合了两个空间约束：对象空间约束确保选定部分具有高度代表性，部分空间约束消除冗余并增强对所选部分的区分。两者共同用于利用细微和局部差异来区分子类别。重要的是，在我们提出的方法中既没有使用对象也没有使用部分注释，这避免了标签的大量劳动力消耗。与4种广泛使用的数据集中的10种以上最先进的方法相比，我们的OPAM方法实现了最佳性能。
关键词：细粒度图像分类，对象部分关注模型，对象部分空间约束模型，弱监督学习。