[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

摘要

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。

主权项

1.一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；其中：original_score、object_score和part_score分别表示图像级别、目标对象级别和目标部件级别分类器对测试图像的打分，α、β和γ分别代表相应每个分类器的权重。