基于注意力機(jī)制的圖像分類深度學(xué)習(xí)方法研究.pdf

1、圖像分類是對(duì)于給定的圖像，在一組類別中找到與其相符的類別的過(guò)程。圖像分類是計(jì)算機(jī)視覺(jué)中的重要研究方向，也是很多其它視覺(jué)任務(wù)的基礎(chǔ)。近年來(lái)，隨著深度學(xué)習(xí)的應(yīng)用，圖像分類研究獲得了快速發(fā)展，誕生了一系列經(jīng)典模型。但包括細(xì)粒度圖像分類和室內(nèi)場(chǎng)景分類在內(nèi)的一些問(wèn)題，仍是圖像分類中的難點(diǎn)，這些問(wèn)題具有類間差異小、類內(nèi)差異大、圖像主體物體不突出等特點(diǎn)。視覺(jué)注意力機(jī)制可用于關(guān)注圖像中的重點(diǎn)區(qū)域，在上述任務(wù)的研究中得到了廣泛的應(yīng)用。不過(guò)，目前視覺(jué)注意力

2、在圖像分類中的應(yīng)用具有一些限制與不足之處，包括注意力權(quán)重維度單一或較少，提供的注意力信息有限;注意力作用于特征的方式較為直接;使用硬性注意力，難以端對(duì)端訓(xùn)練等。本文針對(duì)這些問(wèn)題，面向細(xì)粒度圖像分類和室內(nèi)場(chǎng)景分類等圖像分類難點(diǎn)任務(wù)，提出了一系列基于多通道視覺(jué)注意力的可端對(duì)端訓(xùn)練的深度圖像分類模型，并做了相應(yīng)的分析。具體研究?jī)?nèi)容包括以下幾點(diǎn):
　　首先，本文提出并實(shí)現(xiàn)了一種利用卷積層激活輸出獲取多通道注意力的圖像分類模型。這一方法中提

3、出了多通道的注意力結(jié)構(gòu)，多通道的注意力權(quán)重圖在歸一化的圖像特征的基礎(chǔ)上經(jīng)卷積等操作得到。對(duì)于注意力融合部分，提出了減去注意力對(duì)應(yīng)的特征均值的融合方法，以獲得圖像特征的高階信息。在注意力融合后得到圖像的高層特征表示向量，可用于分類。這一端對(duì)端的圖像分類模型在細(xì)粒度圖像分類和室內(nèi)場(chǎng)景分類的多個(gè)數(shù)據(jù)集中均取得了超過(guò)此前領(lǐng)先方法的優(yōu)異結(jié)果。
　　其次，本文提出并實(shí)現(xiàn)了一種利用對(duì)圖像中部位進(jìn)行檢測(cè)獲取注意力機(jī)制的細(xì)粒度圖像分類模型。這一方法

4、為了進(jìn)一步提高模型對(duì)圖像重點(diǎn)區(qū)域的定位能力，利用細(xì)粒度圖像分類數(shù)據(jù)集提供的部位標(biāo)注信息，訓(xùn)練基于全卷積網(wǎng)絡(luò)的圖像檢測(cè)模塊。在檢測(cè)網(wǎng)絡(luò)中，輸出的特征圖對(duì)應(yīng)于圖像相應(yīng)位置的檢測(cè)結(jié)果，同時(shí)也作為多通道的注意力權(quán)重。這一多通道注意力權(quán)重可與圖像低層特征融合用于得到圖像類別，構(gòu)成端對(duì)端細(xì)粒度圖像分類模型。在實(shí)驗(yàn)中，基于部位檢測(cè)的注意力機(jī)制模型的分類性能獲得了進(jìn)一步提升，同時(shí)也具有良好的部位檢測(cè)能力。
　　最后，本文提出并實(shí)現(xiàn)了一種基于多層次