一种鉴别性特征聚合的细粒度图像分类方法

作     者：丁伯宇 包象琳 徐晓峰 

作者机构：安徽工程大学计算机与信息学院 

出 版 物：《重庆工商大学学报(自然科学版)》 (Journal of Chongqing Technology and Business University(Natural Science Edition))

年 卷 期：2025年

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 

基　　金：国家自然科学基金(62406004) 安徽高校自然科学研究项目(2024AH050122) 安徽未来技术研究院项目(2023qyhz14) 

主　　题：图像分类 注意力机制 鉴别性特征 细粒度图像分类 

摘      要：【目的】针对细粒度图像分类场景，提出了一种鉴别性特征聚合模型（Discriminative Feature Aggregation， DFA），所提出的DFA模型能够在减少噪声干扰的同时从物体特征中逐渐分离出弱关联特征，进一步提取鉴别性特征。【方法】为了选择真实有效的鉴别性区域，DFA模型首先根据特征图之间的相关性过滤掉无用的低响应区域。然后，对真实高响应区域的特征进行聚合，进一步增大与低响应区域之间的差异。对于低响应区域，利用均方损失函数增大与高响应区域的差异。【结果】从注意力图可视化结果来看，DFA能够更有效地捕捉鉴别性区域，同时减少噪声干扰。与其他先进的方法进行对比，以Resnet-50主干网络为基准，所提出的DFA在两个公开数据集中分别提升2.1%和2.2%。另外，以Swin-t（Swin-tiny）主干网络为基准，与最先进的方法对比，DFA在两个公开数据集分别提升1.2%和2.1%。【结论】所提出的DFA能够在减少噪声干扰的同时高效的提取物体的鉴别性区域，从而提高模型的分类性能。另外，DFA模型优于其他先进的细粒度图像分类方法，适用于细粒度图像分类任务。