融合选择性稀疏采样的细粒度图像分类

常用的细粒度分类方法通过提取局部信息学习细粒度特征,容易忽视周围环境因素影响问题,造成分类精度下降.针对这一问题提出了一个简单有效的框架,称为选择性稀疏采样.通过类峰值响应产生稀疏注意定位有信息的对象部分,根据图像内容选择动态数量的稀疏注意,生成判别性和补充性两个分支进行视觉表示,使得特征部分和全局信息相辅相成.对于容易产生混淆的部分,引入了一个“梯度增强”损失,只关注每个样本的混淆类,为补充性分支提供更多的细节特征.通过实验结果表明,该方法在常用数据集的基准测试中分别达到了88.6%,92.8%和94.8%的精确度,验证了该方法的有效性.