[实战]200类鸟类细粒度图像分类_细粒度图像分类综述资源-CSDN文库

版权申诉

attention

history

5星 · 超过95%的资源 175 浏览量 2021-01-06 17:14:26 上传评论 15 收藏 1.16MB PDF 举报

资源详情

资源评论

[实战实战]200类鸟类细粒度图像分类类鸟类细粒度图像分类

[实战实战]200类鸟类细粒度分类识别类鸟类细粒度分类识别

我又来了！！！！

一、图像分类一、图像分类

这次进行实战项目，鸟类细粒度分类识别实战。再讲细粒度分类之前，让我们先回顾一下图像分类吧。

图像分类是计算机视觉的最基础的一个任务，从最开始的入门级的mnist手写数字识别、猫狗图像二分类到后来的imagenet任务。图像分类模型随着数据集的增长，

一步步提升到了今天的水平。计算机的图像分类水准已经超过了人类。

在这里我把图像分类任务分为了两种，一种是单标签的图像分类任务，一种是多标签的图像分类任务。

多标签的图像分类任务，更加符合人们的认知习惯。因为现实生活中的图片往往会包含多个类别物体。

而在单标签的图像分类任务中又可以分为三类：一种是跨物种语义级别的图像分类，即在不同物种的层次上识别不同类别对象，比如我们常见的猫狗分类。

一种是实例级图像分类即区分不同的个体，最典型的任务那就是人脸识别。而还剩下最后一种就是细粒度分类，那么什么是细粒度分类呢？

二、图像细粒度分类二、图像细粒度分类

而细粒度图像分类，相比较我们前面所说的跨物种的图像分类，级别更低一些。但相比较实例级的图像分类，级别稍高一些。

概念上的说法是对同一大类中的子类的分类，

通俗来讲，其主要是解决我们在日常生活中可能看到一只狗，确分不清是哪种狗。

如下图所示，我们知道下图中哪一只是阿拉斯加哪一只是哈士奇，左边是哈士奇右边是阿拉斯加

这里可以当做可判别性部分是阿拉斯加犬的鼻梁是与黑色毛色是相连的，这就是discriminative part 即可判别性模块。

强监督学习是指通常使用边界框和局部标注信息，来获取目标的位置、大小，从而提高分类精度。即给出了图片标注中物体的某些显著特征，即discriminative。

而弱监督学习是指仅利用图像的类别标注信息，不使用额外的标注，

目前弱监督学习的主要思路是定位出判别性的部位，取得判别性的特征做辅助来分类。

其实这很符合人类辨别细粒度物体的流程，先看全局信息知道大类，然后根据经验把注意力放在一些关键部位来做出判断，而这些部位就是弱监督网络所要找

的discriminative parts。

目前的强监督学习方法有part-based r-cnn基于r-cnn算法完成了局部区域的检测，利用约束条件对r-cnn提取到的区域信息进行修正之后提取卷积特征，并将不同区域的特征进

行拼接，构成最好的特征表示，然后通过SVM分类器进行分类训练。 Posed-normalized Cnn对每一张图片进行位置检测，然后将检测框内的图像进行裁剪，从而提取不同

层次、不同位置的图像，再对提取到的图像块进行姿态对其送入CNN，将得到的特征拼接后利用SVM分类器进行分类。 Multi-proposal Net通过Edge Box Crop方法获取图像

块，并引入关键点及视觉特征的输出层，进一步强化了局部特征与全部信息直接的位置关联。

弱监督方法，有图像过滤，仅借助于图像的类别信息过滤图片中与物体无关的模块，其中最有代表性的是Two-level算法。two attention level利用物体级和局部级的信

息，通过Search Selective算法过滤掉无关背景，然后将过滤掉的背景送入CNN网络进行训练，得到物体级的分类结果，随后通过聚类算法将不同位置的特征继续区分，

并将不同区域的特征拼接后送入svm分类器进行训练。

人在认知物体和事物时，往往需要完成对其特征的理解及类别名称的记忆，B-CNN根据大脑工作时同认知类别和关注显著特征的方法，构建了两个线性网络，协调完

成局部特征提取和分类的任务。

到这里，前期的基础知识差不多就完成了，下面准备进入正题。

五、五、200类鸟类细粒度图像分类实战类鸟类细粒度图像分类实战

1.CUB200-2011数据集数据集

首先还是一如既往先介绍我们的驱动力—-数据。

不对，放错图了，应该是下面这张。

本次细粒度分类所采取的数据集CUB200-2011，该数据集是由加州理工学院在2010年提出的细粒度数据集，也是目前细粒度分类识别研究的基准图像数据集，该数

据集共有117888张鸟类图像，包含了200类鸟类子类，其中训练数据集有5994张图像，测试集有5794张图像，每张图像均提供了图像类标注信息，图像中鸟的

bounding box，鸟的关键part信息，以及鸟的属性信息。

评判标准就是以准确率了。

好了，准备上模型了！

2.VGG16模型模型

先用VGG16来投石问路

在此之前准备好我们的微调模型

# fine-tune 模型

def fine_tune_model(model, optimizer, batch_size, epochs, freeze_num):

'''

discription: 对指定预训练模型进行fine-tune，并保存为.hdf5格式

MODEL：传入的模型，VGG16， ResNet50, ...

optimizer: fine-tune all layers 的优化器, first part默认用adadelta

batch_size: 每一批的尺寸，建议32/64/128

epochs: fine-tune all layers的代数

freeze_num: first part冻结卷积层的数量

'''

# datagen = ImageDataGenerator(

# rescale=1.255,

# # shear_range=0.2,

# # zoom_range=0.2,

# # horizontal_flip=True,

# # vertical_flip=True,

# # fill_mode="nearest"

# )

# datagen.fit(X_train)

# first: 仅训练全连接层（权重随机初始化的）

# 冻结所有卷积层

for layer in model.layers[:freeze_num]:

layer.trainable = False

model.compile(optimizer=optimizer,

loss="categorical_crossentropy",

metrics=["accuracy"])

# model.fit_generator(datagen.flow(x_train,y_train,batch_size=batch_size),

# steps_per_epoch=len(x_train)/32,

# epochs=3,

# shuffle=True,

# verbose=1,

# datagen.flow(x_valid, y_valid))

model.fit(x_train,

y_train,

batch_size=batch_size,

epochs=3,

shuffle=True,

verbose=1,

validation_data=(x_valid,y_valid)

)

print('Finish step_1')

# second: fine-tune all layers

for layer in model.layers[:]:

layer.trainable = True

rc = ReduceLROnPlateau(monitor="val_acc",

factor=0.2,

patience=4,

verbose=1,

mode='max')

model_name = model.name + ".hdf5"

mc = ModelCheckpoint(model_name,

monitor="val_acc",

save_best_only=True,

verbose=1,

mode='max')

el = EarlyStopping(monitor="val_acc",

min_delta=0,

patience=5,

verbose=1,

restore_best_weights=True)

model.compile(optimizer=optimizer,

loss='categorical_crossentropy',

metrics=["accuracy"])

# history_fit = model.fit_generator(datagen.flow(x_train,y_train,batch_size=32),

# steps_per_epoch=len(x_train)/32,

# epochs=epochs,

# shuffle=True,

# verbose=1,

# callbacks=[mc,rc,el],

# datagen.flow(x_valid, y_valid))

history_fit = model.fit(x_train,

y_train,

batch_size=batch_size,

epochs=epochs,

shuffle=True,

verbose=1,

validation_data=(x_valid,y_valid),

剩余16页未读，继续阅读

评论收藏

内容反馈

版权申诉

vivi526

2023-10-27

资源简直太好了，完美解决了当下遇到的难题，这样的资源很难不支持~

[实战]200类鸟类细粒度图像分类

评论11

最新资源

[实战]200类鸟类细粒度图像分类

评论11

最新资源

相关推荐

图像分类

基于深度学习的细粒度图像分类

细粒度图像分类的深度学习方法

细粒度分类的自适应多任务学习

Caltech-UCSD Birds 200 鸟类图像数据数据集

深度学习-鸟类的细粒度分类：深度学习的简单尝试：鸟类的细粒度分类。 有关更多详细信息，请参见https：//www.kaggle.comtf0614880cd3f40d9919dfecb808b004a

CUB-200_train_test

01.kaggle案例实战班.zip

gcp-accountant:一种在GCP中细粒度识别高成本资源的工具

多级阈值中值滤波matlab代码-Image-Classification-without-CNN:鸟类图像的分类

525种鸟类分类数据集

基于卷积神经网络语义检测的细粒度鸟类识别.pdf

30种鸟类分类图像数据集

两流上下文化CNN用于细粒度图像分类

deep-metric-learning-tsinghua-dogs

Android-Sample:这是我自己编写的代码示例，作为我细粒度编码的说明。 请检查并提供反馈。 此外，您也可以向我提供改进建议

simplify:通过细粒度的权限控制，简化特定用户的SilverStripe CMS

车型识别系统,vc源码,opencv

大规模细粒度分类和领域特定迁移学习Large Scale Fine-Grained Categorization and Domain-Speci?c Transfer Learning翻译-附件资源

CUB-200-2011-ViT鸟类分类-高质量精讲

Caltech-UCSD Birds-200-2011 鸟类数据集.7z

用于细粒度分类的多个粒度描述符

325 种鸟类分类数据集.zip

Caltech-Birds-Classification-master.zip

AAAI2020-RFMetaFAS:Pytorch代码用于AAAI 2020中的规则化细粒度Meta Face反欺骗

java的细粒度权限和shiro权限校验 ssh

旷视科技南京研究院负责人魏秀参 细粒度级别图像分析领域的现状与展望.pdf

小样本细粒度图像分类的混合注意机制

深度学习-鸟类的细粒度分类：深度学习的简单尝试：鸟类的细粒度分类。有关更多详细信息，请参见https：//www.kaggle.comtf0614880cd3f40d9919dfecb808b004a

Android-Sample:这是我自己编写的代码示例，作为我细粒度编码的说明。请检查并提供反馈。此外，您也可以向我提供改进建议

旷视科技南京研究院负责人魏秀参细粒度级别图像分析领域的现状与展望.pdf