基于注意力機制的圖像分類深度學習方法研究.pdf

1、圖像分類是對于給定的圖像，在一組類別中找到與其相符的類別的過程。圖像分類是計算機視覺中的重要研究方向，也是很多其它視覺任務的基礎。近年來，隨著深度學習的應用，圖像分類研究獲得了快速發(fā)展，誕生了一系列經典模型。但包括細粒度圖像分類和室內場景分類在內的一些問題，仍是圖像分類中的難點，這些問題具有類間差異小、類內差異大、圖像主體物體不突出等特點。視覺注意力機制可用于關注圖像中的重點區(qū)域，在上述任務的研究中得到了廣泛的應用。不過，目前視覺注意力

2、在圖像分類中的應用具有一些限制與不足之處，包括注意力權重維度單一或較少，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，難以端對端訓練等。本文針對這些問題，面向細粒度圖像分類和室內場景分類等圖像分類難點任務，提出了一系列基于多通道視覺注意力的可端對端訓練的深度圖像分類模型，并做了相應的分析。具體研究內容包括以下幾點:
　　首先，本文提出并實現(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構，多通道的注意力權重圖在歸一化的圖像特征的基礎上經卷積等操作得到。對于注意力融合部分，提出了減去注意力對應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。這一端對端的圖像分類模型在細粒度圖像分類和室內場景分類的多個數(shù)據集中均取得了超過此前領先方法的優(yōu)異結果。
　　其次，本文提出并實現(xiàn)了一種利用對圖像中部位進行檢測獲取注意力機制的細粒度圖像分類模型。這一方法

4、為了進一步提高模型對圖像重點區(qū)域的定位能力，利用細粒度圖像分類數(shù)據集提供的部位標注信息，訓練基于全卷積網絡的圖像檢測模塊。在檢測網絡中，輸出的特征圖對應于圖像相應位置的檢測結果，同時也作為多通道的注意力權重。這一多通道注意力權重可與圖像低層特征融合用于得到圖像類別，構成端對端細粒度圖像分類模型。在實驗中，基于部位檢測的注意力機制模型的分類性能獲得了進一步提升，同時也具有良好的部位檢測能力。
　　最后，本文提出并實現(xiàn)了一種基于多層次