结合金字塔和长短期记忆网络的细粒度图像分类

细粒度图像分类任务的难点在于类间局部信息差异小.针对现有方法忽略低级特征的重要性,导致局部多样性缺失的问题,提出一种结合金字塔和长短期记忆网络的细粒度图像分类方法.首先,利用特征金字塔和挤压激励模块构建双向特征传递路径,以极少的参数量和计算量实现低级特征流动,从而提取局部的多级特征;接着,通过感兴趣区域引导的局部精炼金字塔,抑制显著区域,提高局部定位的多样性;最后在长短期记忆网络中引入注意力门控,调节各级特征中对细粒度信息的关注度,从而挖掘细粒度特征,并增强其鉴别性.在CUB-200-2011、Stanford Cars和FGVC-Aircraft数据集的分类准确率分别达到90.8%、95.9%和95.4%,明显优于目前主流的细粒度图像分类方法,相较于对比方法的最好结果分别提升1.2%、0.8%和2.0%.