采用多部件学习的细粒度图像识别

现有基于交叉熵损失函数的细粒度识别方法倾向于发现对象最具有判别性的部件,忽略其他同样关键的具有判别性的次要部件.为了发现尽可能多的、具有辨别性的局部部件,提出采用多部件学习的细粒度图像识别方法.首先提出一个无参数的基于语义块混合的图像数据增强模块,通过交换图像对中最具有判别性的部件,在增广训练数据的同时避免引入无关背景噪声,提高网络对输入扰动灵敏度的鲁棒性和泛化能力;然后提出多部件对抗擦除模块,在注意力和伯努利分布引导下擦除特征图上最具判别性区域,迫使网络学习发现特征图上其他辨别性区域,注意力引导保证擦除区域具有足够的判别性,伯努利分布引导保证擦除区域的多样性;最后通过融合中层特征,进一步提升网络性能.所提方法具有模型无关特性,可以作为一种即插即用模块,与现有多种主干网络相结合.以ResNet-50为主干网络,在3个公开数据集CUB-200-2011,FGVC-Aircraft和Stanford Cars上的实验结果表明,所提方法的分类精度分别达到89.2%,95.5%和94.0%;该方法能够发现更多辨别性部件,且准确率优于相同主干网络下的对比方法.