![c7577ce64fd8b638502e2f1ccd217294.png](https://i-blog.csdnimg.cn/blog_migrate/d967f1d013a876ca3cbe9cc890fa3d77.jpeg)
细粒度图像分类问题是计算机视觉领域一项极具挑战的研究课题,本文介绍了细粒度图像分类算法的发展现状、相关数据集和竞赛,供大家擦考学习。
作者&编辑 | 郭冰洋
1 简介
![2d3cb107f92d0b929200b4ddd3652806.png](https://i-blog.csdnimg.cn/blog_migrate/6169ee5a4750d174612f92fcbad14cbb.jpeg)
细粒度图像分类是在区分出基本类别的基础上,进行更精细的子类划分,如区分鸟的种类、车的款式、狗的品种等,目前在工业界和实际生活中有着广泛的业务需求和应用场景。
细粒度图像相较于粗粒度图像具有更加相似的外观和特征,加之采集中存在姿态、视角、光照、遮挡、背景干扰等影响,导致数据呈现类间差异性大、类内差异性小的现象,从而使分类更加具有难度。
![a2fe5ebc731d75693b55fd3c3b428774.png](https://i-blog.csdnimg.cn/blog_migrate/0c742471687888f0b4effc8b47a12f7d.jpeg)
细粒度图像分类研究,从提出到现在已经经历了一段较长时间的发展。面对这一挑战,人们在粗粒度图像分类模型的基础上进行了更加细致的研究和改进,大致可以分为基于特征提取的传统算法和基于深度学习的算法。早期的基于特征提取的算法,由于特征的表述能力有限,分类效果也往往面临很大的局限性。近年来,随着深度学习的兴起,神经网路强大的特征提取能力促进了该领域的快速进步。
2 基于特征提取的传统算法
1、局部特征
早期基于人工特征的细粒度图像分类算法,其研究重点为图像的局部特征,一般先从图像中提取某些局部特征,然后利用相关编码模型进行特征编码。
由于局部特征选择过程繁琐,表述能力有限,其自身也存在一定缺陷,即忽