细粒度图像分类的深度学习方法

• Published in: 计算机科学与探索 Vol. 15; no. 10; pp. 1830 - 1842
• Main Authors: 李祥霞, 吉晓慧, 李彬
• Format: Journal Article
• Language: Chinese
• Published: 广东财经大学 信息学院,广州 510320%华南理工大学 自动化科学与工程学院,广州 510641 01.10.2021
• Subjects: 细粒度图像分类;深度学习;卷积神经网络(CNN);特征提取
• ISSN: 1673-9418
• DOI: 10.3778/j.issn.1673-9418.2103019

TP391.41; 细粒度图像分类旨在从某一类别的图像中区分出其子类别,通常细粒度数据集具有类间相似和类内差异大的特点,这使得细粒度图像分类任务更加具有挑战性.随着深度学习的不断发展,基于深度学习的细粒度图像分类方法表现出更强大的特征表征能力和泛化能力,能够获得更准确、稳定的分类结果,因此受到了越来越多研究人员的关注和研究.首先,从细粒度图像分类的研究背景出发,介绍了细粒度图像分类的难点和研究意义.其次,从基于强监督和弱监督两个角度,综述了基于深度学习的细粒度图像分类算法的研究进展,并介绍了多种典型的分类性能优秀的算法.此外,进一步论述了目前关于YOLO、多尺度CNN和生成对抗网络(GAN)等前沿深度学习模型在细粒度图像识别方面的应用,并且对比了最新的相关细粒度图像的数据增强方法的分类效果以及在复杂场景下不同类型的细粒度识别方法的性能特点分析.最后,通过对算法的分类性能进行对比和总结,探讨了未来发展方向和面临的挑战.