10.3969/j.issn.1000-386x.2019.03.038
基于RPN与B-CNN的细粒度图像分类算法研究
随着大数据和硬件的快速发展,细粒度分类任务应运而生,其目的是对粗粒度的大类别进行子类分类.为利用类间细微差异,提出基于RPN(Region Proposal Network)与B-CNN(Bilinear CNN)的细粒度图像分类算法.利用OHEM(Online Hard Example Mine)筛选出对识别结果影响大的图像,防止过拟合;将筛选后的图像输入到由soft-nms(Soft Non Maximum Suppression)改进的RPN网络中,得到对象级标注的图像,同时减少假阴性概率;将带有对象级标注信息的图像输入到改进后的B-CNN中,改进后的B-CNN可以融合不同层特征并加强空间联系.实验结果表明,在CUB200-2011和Standford Dogs数据集平均识别精度分别达到85.50%和90.10%.
细粒度分类、类间差异、双向卷积网络、非极大值抑制、特征融合
36
TP391.41(计算技术、计算机技术)
国家自然科学基金项目61472196,61672305,61702295;山东省自然科学基金项目ZR2014FM015
2019-06-06(万方平台首次上网日期,不代表论文的发表时间)
共5页
210-213,264