基于迁移学习的细粒度图像分类算法研究.pdfVIP

摘要

摘要

图像分类是图像处理领域的主要研究课题之一，主要针对以下两类任务进行研究：

一是对粗粒度图像的不同主类对象进行分类；二是对细粒度图像主类下的不同子类进

行再次分类。近年来，在生态保护、智慧交通、智能零售等领域对同一基本类别下的

子类别进行精细划分的需求日益增多。然而，细粒度图像分类任务面临诸多挑战，主

要表现在类内差距大、类间差距小、样本数量不足、姿态变化、遮挡和背景干扰等方

面。目前，迁移学习在细粒度图像分类领域的应用愈加广泛，其主要作用包括缓解数

据稀缺性、重用特征以及迁移领域知识。为了提升细粒度图像分类的准确率，论文以

迁移学习为基础，开展细粒度图像分类研究，主要工作如下：

1

（）针对图像样本数据量不足导致网络难以拟合的问题，将迁移学习与细粒度图

像分类相结合，使用AlexNet、VGG16、VGG19、ResNet34和ResNet50五种卷积神经

网络模型对细粒度图像进行训练与测试。在训练前使用仿射变换的数据增强方式来扩

充训练数据，同时使用迁移学习的方式来解决数据量不足的问题，在CUB-200-2011

数据集和StanfordCars数据集上，