基于注意力特征融合的SqueezeNet 细粒度图像分类模型

李明悦，何乐生，雷 晨，龚友梅

(云南大学 信息学院，云南 昆明 650500)

细粒度图像分类问题的目标是对子类进行识别，如区分不同种类的狗、鸟、飞机等，是计算机视觉领域一项具有挑战性的研究课题. 细粒度图像分类难点在于子类别间细微的类间差异和较大的内类差异. 传统的分类算法不得不依赖于大量的人工标注信息，但随着深度学习的发展，基于深度卷积特征的算法被大量提出，深度卷积神经网络为细粒度图像分类带来了许多新的机遇，促进了该领域的快速发展.

文献[1]提出的姿态规范化细粒度识别框架，首先使用可变形部件模型通过语义部件的特征点计算物体级别和部件级别的包围盒，然后对语义部位图像块进行姿态对齐操作. 文献[2]提出的Deep LAC 模型将语义部件定位、对齐和分类3 个组件统一到一个卷积神经网络模型中. Zhang 等[3]提出的PS-CNN （Part-Stacked CNN）也是一个利用语义部件进行细粒度分类的框架. Wei等[4]提出的Mask-CNN 框架在细粒度图像语义部件定位和分类方面都取得了较好的结果. 以上的分类方法需要利用物体标注框、部位标注点等额外的人工标注信息. 基于弱监督学习的细粒度图像分类模型能有效克服大量标注带来的成本. 如Lin 等[5]提出的双线性模型，该模型包括两个超分辨率测试序列(Visual Geometry Group，VGG)网络，其中一个VGG 用于定位物体，另一个VGG 用于对定位物体进行特征提取，但一个VGG 网络有近一百多万个参数，使模型计算量变大. 文献[6]提出的用深度残差……