基于深度遷移學習的微型細粒度圖像分類
摘要：現有的細粒度分類模型不僅利用圖像的類別標簽,還使用大量人工標注的額外信息。為解決該問題,本文提出一種深度遷移學習模型,將大規模有標簽細粒度數據集上學習到的圖像特征有效地遷移至微型細粒度數據集中。首先,通過銜接域定量計算域間任務的關聯度。然后,根據關聯度選擇適合目標域的遷移特征。最后,使用細粒度數據集視圖類標簽進行輔助學習,通過聯合學習所有屬性來獲取更多的特征表示。實驗表明,本文方法不僅可以獲得較高精度,而且能夠有效減少模型訓練時間,同時也驗證了進行域間特征遷移可以加速網絡學習與優化這一結論。
注: 保護知識產權,如需閱讀全文請聯系光電工程雜志社
相關推薦
更多
