摘要：针对细粒度图像分类任务的长尾分布问题,提出了一种基于多尺度特征Transformer的细粒度图像分类方法,实现了底层与深层特征的保护并优化了长尾分布。首先,设计了混合数据采样方法,获取用于优化表征学习、长尾分布和细粒度特征的三元组数据;然后,设计了Transformer多尺度特征优化方法,分别通过底层特征对比学习方法与深层特征平衡学习方法优化特征学习过程,改善类别混淆和细粒度特征的提取,在保护头部类别特征学习的同时增加对尾部类别的关注。仿真结果表明,所提方法可以有效地改善细粒度图像分类任务中长尾分布带来的影响,优化特征分布,提高分类准确率。

摘要：由于细粒度图像类内差异大、类间差异小的特点,导致其识别具有较大的难度,针对该问题,提出了一种基于混合特征提取的细粒度图像识别方法。借助混合增强(Mixup)思想混合卷积神经网络中间层,提取类内和类间的特征信息,并通过非局部模块加强模型提取特征的能力。同时,为了降低Mixup方法引入的噪声和歧义,设计了与训练过程耦合的多损失函数。该模型在广泛使用的公开细粒度图像数据集CUB-200-2011和Stanford Cars上分别达到了87.4%和93.8%的识别精度,与多个基线方法相比有显著的性能提升。