杨 丹 蒋 勇 曾 芳 文 帅

(西南科技大学计算机科学与技术学院 四川绵阳 621010)

与普通图像分类不同，细粒度图像分类对同一类目标物体进行更细致的类别分类，比如分类车的款式、鸟的品种、方便面的品牌等，是计算机视觉的一个热门研究领域[1]。

有效定位目标物体的局部有区别性区域是细粒度图像分类亟待解决的主要问题之一。目前存在两种捕捉图像中目标局部区域特征的方法：(1)借鉴目标检测思想，先检测目标位置再分类。基于目标检测框架R-CNN，Zhang等[2]提出了Part-based R-CNN方法，使用Bounding Box标注框训练模型。首先在输入图像上通过自底向上的选择搜索算法产生候选框，然后使用R-CNN算法检测产生的候选框并评分，最后筛选出这些区域并提取特征进行分类。为了解决同一目标物体在不同姿态或不同拍摄角度下存在巨大差异的问题，Branson等[3]提出了Pose Normalized CNN方法。首先使用Deformable Part Model算法对输入图像进行局部区域位置检测，完成目标物体的局部区域定位，然后将检测到的区域裁剪下来进行姿态对齐，最后提取对齐后的图像的不同层的特征，将所有特征拼接起来训练线性支持向量机分类器完成分类。以上方法属于强监督学习方式，需要用到耗时耗力且成本高的人工标注信息，在实际应用中无法满足要求。(2)在卷积神经网络中引入注意力机制。Liu等[4]利用基于强化学习的视觉注意力模型定位物体的局部区域，首先使用全卷积网络提取特征，然后在特征图上生成多个部件的得分图以完成定位，从而更好地完成局部区域定位与分类。……