基于注意力机制和多尺度集成学习的细粒度图像识别方法

细粒度图像识别是计算机视觉领域中一项重要的研究课题，其主要目标是分辨同属一大类下外观具有高度相似性的子类。以弱监督的细粒度图像识别为研究内容，针对现有研究中存在的图像细粒度特征利用不充分以及判别性区域难以挖掘的问题，提出了基于注意力机制和多尺度集成学习策略的细粒度图像识别方法。该方法引入渐进式学习网络，利用集成学习的策略，基于深度神经网络3个层级的输出特征并行构建多尺度基分类器，并使用标签平滑的方法对分类器进行渐进式训练，从而大幅度提高低层特征的利用率；同时采用高效双通道注意力机制对特征施加通道权重，使得网络能够在通道层面自主筛选特征，从而提升高信息相关度通道的利用率。该方法还引入了自注意力区域建议网络，通过构建循环反馈机制促使模型逐步定位到更加具有判别性的区域，并在最后的分类模块中将完整图像与判别性区域的特征信息进行融合。实验结果表明，该方法在CUB-200-2011、FGVC Aircraft和Stanford Cars细粒度图像数据集上的识别准确率达到行业先进水平。