[发明专利]一种基于层进式特征变换的弱监督细粒度图像分类方法

说明书

本发明提供了一种基于层进式特征变换的弱监督细粒度图像分类方法，通过分析数据集，仅利用预训练卷积神经网络模型，对图像中的目标进行协同定位。同时，通过负相关性信息分析得到最具有判别能力的部件。利用图像、图像和目标、图像和部件分别训练对应的三种级别的卷积神经网络分类器：图像级别分类器、目标对象级别分类器以及目标部件级别分类器，联合三种级别分类器对细粒度图像进行分类。本发明将卷积特征进行特征变换，对细粒度图像中的目标和最具有判别能力的部件进行准确的定位，以一种新的思路来解决弱监督细粒度图像分类问题。

技术领域

本发明属于计算机视觉算法研究领域，涉及一种基于层进式特征变换的弱监督细粒度图像分类方法，具体涉及一种在弱监督学习范畴下，对卷积特征进行空间变换， 层进式地完成细粒度图像分类任务的方法。

背景技术

细粒度图像分类问题是近年来计算机视觉领域非常热门的一项研究课题，其目标是对粗粒度大类别图像进行更加精细的子类划分，例如区分不同种类的鸟。相比较于 传统图像分类任务，细粒度图像类间差异更加细微，只能借助微小的局部差异才能进 行区分，同时光照、遮挡、姿态、背景干扰等又导致其类内差异巨大，这些因素都给 细粒度图像分类带来极大困难。所以，细粒度图像分类是一项具有实际意义和挑战性 的研究课题。

传统的细粒度图像分类算法为了得到更好的分类精度，严重依赖于目标框以及部件框等人工标注信息，而细粒度图像呈现出的数据海量性、种类多样性、背景复杂性 等特点，使得人工标注的获取效率低下，制约了算法的实用性。弱监督的标注方式， 即只需指明图像的类别信息，将大大降低人工标注的难度和工作量。目前，弱监督细 粒度图像分类取得了优异性能表现，但仍面临关键性的难点问题：细粒度图像的复杂 背景以及子类别间的细微差异和较大的类内差异，给精确检测并定位到目标及关键区 域造成严重的干扰。亟需设计一种有效的学习方法对细粒度图像数据中目标的位置和 最具有判别能力的部件进行更好的定位。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于层进式特征变换的弱监督细粒度图像分类方法，将卷积特征进行特征变换，层进式地完成细粒度图像分类任务。

技术方案

一种基于层进式特征变换的弱监督细粒度图像分类方法，其特征在于步骤如下：

步骤1：利用Selective Search方法提取每一幅训练图像的候选区域，然后筛选出候选区域,将筛选出的候选区域和训练图像合并作为训练数据集，在此训练数据集上 训练卷积神经网络模型得到图像级别分类器；

利用Deep Descriptor Transform方法，对每一类训练图像特征进行特征变换，提取 出每一类训练图像中最具有正关联性的区域，将其作为目标对象潜在区域，并和训练图像合并作为训练数据集，在此训练数据集上训练卷积神经网络模型得到目标对象级 别分类器；

利用Deep Descriptor Transform方法，对相似类别训练图像的目标潜在区域特征进 行特征变换，从相似类别训练图像的目标潜在区域中提取出最具有负关联性的区域，将其作为目标部件潜在区域，并和训练图像合并作为训练数据集，在此训练数据集上 训练卷积神经网络模型得到目标部件级别分类器；

步骤2：以图像级别分类器、目标对象级别分类器和目标部件级别分类器分别对测试图像进行分类打分，按照下式：

final_score＝α*original_score+β*object_score+γ*part_score

对三种分类器的分类打分进行加权融合，得到测试图像的最终分类得分，根据此分类得分赋予测试图像相应类别标签，完成图像分类；