[发明专利]一种基于块检测器及特征融合的卷积神经网络的细粒度图像识别方法及系统

摘要

本发明公开了一种基于块检测器及特征融合的卷积神经网络的细粒度图像识别方法及系统，包括以下步骤：首先获取局部特征和全局特征；对全局特征可直接分类得到loss1；然后对局部特征和全局特征分别用一个块检测器进行过滤，得到局部过滤特征以及全局过滤特征；对得到的局部过滤特征进行全局最大池化，获取局部辨别性特征块，该局部辨别性特征块可直接分类得到loss2；此外构建一个特征融合流对局部过滤特征和全局过滤特征进行融合，获得一个层级多层表征，可直接分类得到loss3；引入了一个注意力跨层池化方法对网络进行滤波监督，得到loss4；最后对上述4个loss加权求和得到总loss，能够有效实现细粒度图像识别。

主权项

1.一种基于块检测器及特征融合的卷积神经网络的细粒度图像识别方法，其特征在于，包括以下步骤：步骤1，提取待识别细粒度图像的局部特征和全局特征；对全局特征进行分类，获得包含全局信息的分类损失loss1；步骤2，通过局部块检测器对步骤1获得的局部特征进行卷积过滤，获得局部过滤特征；根据获得的局部过滤特征获得局部向量V_L；根据局部向量V_L对局部过滤特征进行分类，获得包含局部块级别信息的分类损失loss2；其中，所述局部块检测器为卷积滤波器，用于寻找最具有辨别性的局部特征块；步骤3，通过全局块检测器对步骤1获得的全局特征进行卷积过滤，获得全局过滤特征；对步骤2获得的局部过滤特征进行平均池化，获得与全局过滤特征大小一致的局部过滤特征；其中，所述全局块检测器为卷积滤波器，用于获取全局过滤特征；步骤4，将步骤3获得的局部过滤特征和全局过滤特征进行融合，获得融合交互特征；对所述融合交互特征进行分类，获得包含层级特征表征的分类损失loss3；步骤6，对分类损失loss1、分类损失loss2和分类损失loss3进行加权求和，获得最终的分类结果和总损失，完成细粒度图像识别。