用于场景识别的多尺度注意力网络*

彭玉青， 刘宪姿， 袁宏涛， 武仪美

(河北工业大学 人工智能与数据科学学院，天津 300401)

0 引 言

场景识别技术的目的是使计算机能够通过一系列的判别算法，自动判断图像的类别，为场景图像分配语义[1]。随着场景图像类别的丰富和图片数量的增多，场景图像的类内差异性和类间相似性对场景识别精确性的影响越来越明显，使得场景识别更具有挑战性。 早期的场景识别方法主要使用底层特征描述子表示场景图片，如GIST,SIFT,HOG[2，3]等，它们是描述图像颜色、形状、纹理等基本特性的基础特征。这种特征形式简单、容易获取和计算，但得到的图像全局表示具有一定局限性。随着深度神经网络和大量数据集的出现，越来越多的研究人员开始尝试使用深度学习方法。

目前将卷积神经网络(convolutional neural network,CNN)应用于场景识别领域的研究已有很多。研究人员通过融合不同类型的特征增强特征判别性。Wang L等人[4]通过两个不同深度的网络结构分别提取图像的局部特征和全局特征，融合两个网络结构的输出作为识别结果。Wang Z等人[5]采用以Inception-v2为基础的多组合网络架构，其中的一个网络结构用于获取对象类信息，另一个用于获取场景类信息，融合两个模型的特征后进行分类。这类方法需要多个网络模型，导致训练网络模型的难度加大，且计算过于复杂，时间开销大，算法实用性不强。

另有部分研究学者通过对图像区域的筛选得到更具有判别性的特征。李彦冬等人[6]通过似物性检测获得图像中的显著性区域，利用神经网络提取特征进行分类。……