《表1 不同组件的分类精度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《多尺度特征融合的细粒度图像分类》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

为了分析模型中不同组件的影响，设计在两个数据集中不同模块组件的运行，分别使用Resnet101基础网络、Resnet101的特征金字塔网络、加入边界框过滤微调的Resnet101特征金字塔网络进行对比实验，实验结果如表1所示。Resnet101的基础网络使用了传统图像分类的方法，通过最后得到的全局特征进行分类。这种方法中输入图片的大小是固定的，得到的特征图尺寸也是单一不变的，并且分类精度与数据集的数量、网络的复杂度有着密切的关系。由表1中结果可知，只使用基础网络对于细粒度图像的分类效果提升并不明显，需要进一步探索具有判别性特征的小目标区域；Resnet101+特征金字塔的网络直接将得到的多个建议区域进行排序选择，其分类精度与加入边界框过滤微调的Resnet101特征金字塔网络相比在鸟类和犬类数据集中得到的最佳结果分别减少了2.3和2.2个百分点。推测得到这样的结果是由于没有对多个建议区域进行后续的筛选和调整，许多随机区域干扰了分类。