基于卷积神经网络的多尺度注意力图像分类模型

陈琳琳,朱惠娟,朱 俊,王晓瞳

(1.南京理工大学紫金学院 计算机学院,江苏 南京 210023;2.南京理工大学 计算机科学与工程学院,江苏 南京 210094)

图像分类研究是定位、检测、识别等计算机视觉领域的其它研究方向的基础。传统的图像分类算法一般由图像数据获取、数据特征提取以及分类选择与设计构成。经典的图像分类算法包括K近邻(K-nearest neighbor,KNN)算法、支持向量机(Supported vector machine,SVM)等。图像分类算法的识别准确率高度依赖于所提取的特征质量。传统的图像分类算法基于一定的先验知识,采用人工提取特征的方式,比较难提取出高质量的图像特征,因而分类效果不尽如人意。

近年来,深度学习逐渐成为机器学习的研究热点,并已成功应用于计算机视觉、图像识别、图像分类等领域[1,2]。在众多深度学习算法中,卷积神经网络(Convolutional neural network,CNN)得到了研究者的广泛关注[3-5]。从早期的LeNet-5[6]、AlexNet[7]、ZF-Net[8]、Visual Geometry Group(VGG)[9]到GoogLeNet[10]、残差网络(Residual network,ResNet)[11]、Squeeze-and-excitation networks(SENet)[12]等,新的基于CNN的网络架构不断涌现,网络的深度和宽度也在不断增加,以便能获得更好的特征表示。但当网络增加到一定深度时,容易产生过拟合,还会带来梯度消失、梯度爆炸等问题。另外,在基于CNN的图像分类过程中,一般使用固定大小的卷积核,这样只能获得局部固定感受野的特征,不能顾及图像全局的特征。

本文提出了一种基于注意力机制的特征提取模块,并基于此提出了一种多尺度图像分类网络,以期通过提取更精确的图像特征来提高图像分类效果。

1 深度学习算法

1.1 CNN

典型的CNN网络包括:输入层(Input layer)、卷积层(Convolutional layer)、池化层(Pooling layer)、全连接层(Fully-connected layer)以及输出层(Output layer)。……