选择性卷积特征融合的花卉图像分类

目的 针对花卉图像标注样本缺乏、标注成本高、传统基于深度学习的细粒度图像分类方法无法较好地定位花卉目标区域等问题，提出一种基于选择性深度卷积特征融合的无监督花卉图像分类方法。方法 构建基于选择性深度卷积特征融合的花卉图像分类网络。首先运用保持长宽比的尺寸归一化方法对花卉图像进行预处理，使得图像的尺寸相同，且目标不变形、不丢失图像细节信息；之后运用由ImageNet预训练好的深度卷积神经网络VGG-16模型对预处理的花卉图像进行特征学习，根据特征图的响应值分布选取有效的深度卷积特征，并将多层深度卷积特征进行融合；最后运用softmax分类层进行分类。结果 在Oxford 102 Flowers数据集上做了对比实验，将本文方法与传统的基于深度学习模型的花卉图像分类方法进行对比，本文方法的分类准确率达85.55%，较深度学习模型Xception高27.67%。结论 提出了基于选择性卷积特征融合的花卉图像分类方法，该方法采用无监督的方式定位花卉图像中的显著区域，去除了背景和噪声部分对花卉目标的干扰，提高了花卉图像分类的准确率，适用于处理缺乏带标注的样本时的花卉图像分类问题。