[发明专利]一种细粒度识别中判别性图块学习的改进方法

说明书

一种细粒度识别中判别性图块学习的改进方法：提取原始图像中具有判别性质的图块，包括：原始图像通过卷积神经网络中的卷积池化层获得一张特征图，将特征图中每一个空间固定位置的向量视为对应于始图像中相应位置图块的检测器；假设已经学习到在原始图像中一个判别性区域具有最高响应的检测器，将检测器与特征图进行卷积运算，得到新的响应图；在新的响应图中挑选具有最大值的位置，得到具有判别性质的图块；学习具有判别性质的图块的特征并用于分类，包括：根据具有判别性质的图块获取局部显著图；使用空间加权费舍尔向量对局部显著图进行编码。本发明学习到更适合细粒度识别任务的判别性特征，减少判别性图块中背景信息的干扰以提高分类精度。

技术领域

本发明涉及一种细粒度识别中判别性图块学习。特别是涉及一种根据响应图对图像描述器进行空间加权得到空间加权费舍尔向量的细粒度识别中判别性图块学习的改进方法。

背景技术

近年来，细粒度识别在目标识别领域吸引了越来越多的关注，它是对某一大类目标的子类进行识别，如花类、鸟类、狗类、汽车等等，通常它们都具有相同的结构，因此如何学到图像中具有判别性质的特征成为细粒度识别的主要任务。

在过去的研究中，细粒度识别领域主要包括两个任务：局部定位和特征表示。细粒度数据集除了图像类别标签外，通常也提供额外的目标边界框和局部部位的标注，之前的许多工作或多或少都依赖于这些额外的标注，但是细粒度的分类通常需要专家级别的知识，而普通人很难完成这一任务，这就使得人工标注的代价十分昂贵。近年来，更多的研究集中在不需要任何额外标注信息的方法，本发明涉及的方法就只需要图像类别标签，而不需要局部的标注，以一种弱监督的方法学习到具有判别性的局部特征。

对于图像的特征描述，CNN特征在许多基准上取得了突破。传统方法是将局部信息编码，然后融合成整体特征表示，CNN特征与之不同，它可以直接学习全局，并且不需要人工设计特征提取器，目前的细粒度识别方法都是在CNN的基础之上，通过其他算法来学习图像细微的独特的特征。

发明内容

本发明所要解决的技术问题是，提供一种更准确的学习细节特征，舍弃小图块中杂乱的背景信息，从而提高分类精度，并且不再需要全局特征辅助的细粒度识别中判别性图块学习的改进方法。

本发明所采用的技术方案是：一种细粒度识别中判别性图块学习的改进方法，包括如下步骤：

1)提取原始图像中具有判别性质的图块，包括：

(1)原始图像通过卷积神经网络中的卷积池化层获得一张C×H×W大小的特征图，其中，C为管道数，H为高度，W为宽度，将特征图中每一个空间固定位置的C×1×1向量视为对应于始图像中相应位置图块的检测器；

(2)假设已经学习到在原始图像中一个判别性区域具有最高响应的检测器，将C×1×1大小的检测器与C×H×W大小的特征图进行卷积运算，得到新的H×W大小的响应图；

(3)在新的H×W大小的响应图中挑选具有最大值的位置，得到1×1大小的具有判别性质的图块；

2)学习具有判别性质的图块的特征并用于分类，包括：

(1)根据具有判别性质的图块获取局部显著图；

(2)使用空间加权费舍尔向量对局部显著图进行编码。

步骤1)第(2)步所述的学习到在原始图像中一个判别性区域具有最高响应的检测器的步骤是：

(1)假设每类图像的判别性图块检测器个数设为n，图像共有M类，所需的检测器的数量就是nM个；

(2)将nM个C×1×1检测器与C×H×W大小的特征图分别进行卷积运算，得到新的特征图，对新的特征图进行全局最大值池化，得到一个nM维的特征向量；

(3)对nM维的特征向量中每一类特征向量求平均值，得到一个M维的向量；