计算机工程与科学

作者：杨晓强, 黄加诚

单位：（西安科技大学计算机科学与技术学院，陕西 西安 710000）

关键词：细粒度识别,特征融合,注意力机制,多分支,

基金：国家自然科学基金（62002285）

为了解决细粒度分类类间差异小、类内差异大的分类难点，在Swin Transformer基础上，提出了一种改进的端到端的细粒度分类模型（TBformer）。针对复杂背景对网络识别产生的干扰，使用ECA、Resnet50、SCDA相结合的动态定位模块（DLModule）捕获关键物体，并设计了基于DLModule的三分支特征提取模块，提高对目标判别性特征的提取能力。为了充分挖掘三分支特征蕴含的丰富细粒度信息，提出了基于ECA的特征融合方法，增强特征的全面性、精确性，提高网络对细粒度分类的鲁棒性。实验结果表明：相比基础方法，TBformer在CUB-200-2011上的准确率提升了3.19%，在Stanford Dogs上的准确率提升了3.47%，在NABirds上的准确率提升了1.09%。

来源：2024年第2期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2024年第2期