使用深度模型迁移进行细粒度图像分类的方法说明

　　针对细粒度图像分类方法中存在模型复杂度较高、难以利用较深模型等问题，提出深度模型迁移（ DMT）分类方法。首先，在粗粒度图像数据集上进行深度模型预训练；然后，使用细粒度图像数据集对预训练模型logits层进行不确切监督学习，使其特征分布向新数据集特征分布方向迁移；最后，将迁移模型导出，在对应的测试集上进行测试。实验结果表明，在STANFORD DOGS、CUB -200 -2011、OXFORD FLOWER-102细粒度图像数据集上，DMT分类方法的分类准确率分别达到72.23%、73. 33%和96. 27%，验证了深度模型迁移方法在细粒度图像分类领域的有效性。

    细粒度图像分类( Fine-Grained Image Classification，FGIC)任务中的类别构成，往往是粗粒度类别中某一子类别；与粗粒度图像相比，细粒度图像类间差异更小，相似类之间的干扰导致图像信噪比高，对其进行有效分类往往需要借助图像中稀疏且局部的特征。传统FGIC方法依赖人工标注的局部信息，对分类模型进行强监督学习，导致此类方法人工参与程度高。近年来，仅需图像类标签的不确切监督( inexact supervision)学习方法成为了研究热点。

　　细粒度图像分类（ Fine-Grained Image Classification，FGIC）任务中的类别构成，往往是粗粒度类别中某一子类别；与粗粒度图像相比，细粒度图像类间差异更小，相似类之间的干扰导致图像信噪比高，对其进行有效分类往往需要借助图像中稀疏且局部的特征¨］。传统FGIC方法依赖人工标注的局部信息，对分类模型进行强监督学习，导致此类方法人工参与程度高心］。近年来，仅需图像类标签的不确切监督（ inexact supervision）学习方法‘31成为了研究热点。

　　不确切监督属于弱监督（ weakly supervision）范畴，其特点是训练数据的标签粒度较粗。如图像的类标签，与局部标签相比，类标签信息仅能描述全局图像，而无法提供图像的局部信息。

　　根据图像分类过程，FGIC模型亦可抽象为“特征提取器+分类器”结构‘纠，其中的图像特征提取至关重要。目前，细粒度图像特征提取方法分为两种：1）手工设计底层特征。 Iscen等M1首先采用Zernike滤波器进行密集局部块检测，再对检测到的局部块提取特征并进行分类（ Zemike+SpatialCoordinate Coding，Zemike+ SCC）；Zhang等借鉴人眼分层注意机制提出了分层图元匹配（Hierarchical GraphletMatching，HGM）方法。2）特征学习。目前，该类方法常采用深度模型进行特征学习。Xie等‘61提出了在线最近邻估计结 合支持向量机（ Online Nearest-neighbor Estimation+SupportVector Machine，ONE +SVM）的方法，对深度模型提取到的特征进行分类；Azizpour等‘71微调深度模型进行细粒度图像分类（ Deep Standard， Deep Optimized）；Qian等‘81提出了多级度量学习（ Multi-stage Metric Learning，MsML）方法，将大规模多维特征学习进行拆分降维，以降低学习复杂度；Kim等提出了一种基于贝叶斯证据框架（ Bayesian Evidence Framework，BEF）的深度模型选择方法，选取最优模型后再进行迁移学习；Huang等提出了基于多边形的分类器（Polygon Based Classifier．PBC），自动寻找图像中有判别力的特征区域。