楊 丹 蔣 勇 曾 芳 文 帥

(西南科技大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 四川綿陽(yáng) 621010)

與普通圖像分類(lèi)不同，細(xì)粒度圖像分類(lèi)對(duì)同一類(lèi)目標(biāo)物體進(jìn)行更細(xì)致的類(lèi)別分類(lèi)，比如分類(lèi)車(chē)的款式、鳥(niǎo)的品種、方便面的品牌等，是計(jì)算機(jī)視覺(jué)的一個(gè)熱門(mén)研究領(lǐng)域[1]。

有效定位目標(biāo)物體的局部有區(qū)別性區(qū)域是細(xì)粒度圖像分類(lèi)亟待解決的主要問(wèn)題之一。目前存在兩種捕捉圖像中目標(biāo)局部區(qū)域特征的方法：(1)借鑒目標(biāo)檢測(cè)思想，先檢測(cè)目標(biāo)位置再分類(lèi)?；谀繕?biāo)檢測(cè)框架R-CNN，Zhang等[2]提出了Part-based R-CNN方法，使用Bounding Box標(biāo)注框訓(xùn)練模型。首先在輸入圖像上通過(guò)自底向上的選擇搜索算法產(chǎn)生候選框，然后使用R-CNN算法檢測(cè)產(chǎn)生的候選框并評(píng)分，最后篩選出這些區(qū)域并提取特征進(jìn)行分類(lèi)。為了解決同一目標(biāo)物體在不同姿態(tài)或不同拍攝角度下存在巨大差異的問(wèn)題，Branson等[3]提出了Pose Normalized CNN方法。首先使用Deformable Part Model算法對(duì)輸入圖像進(jìn)行局部區(qū)域位置檢測(cè)，完成目標(biāo)物體的局部區(qū)域定位，然后將檢測(cè)到的區(qū)域裁剪下來(lái)進(jìn)行姿態(tài)對(duì)齊，最后提取對(duì)齊后的圖像的不同層的特征，將所有特征拼接起來(lái)訓(xùn)練線性支持向量機(jī)分類(lèi)器完成分類(lèi)。以上方法屬于強(qiáng)監(jiān)督學(xué)習(xí)方式，需要用到耗時(shí)耗力且成本高的人工標(biāo)注信息，在實(shí)際應(yīng)用中無(wú)法滿足要求。(2)在卷積神經(jīng)網(wǎng)絡(luò)中引入注意力機(jī)制。Liu等[4]利用基于強(qiáng)化學(xué)習(xí)的視覺(jué)注意力模型定位物體的局部區(qū)域，首先使用全卷積網(wǎng)絡(luò)提取特征，然后在特征圖上生成多個(gè)部件的得分圖以完成定位，從而更好地完成局部區(qū)域定位與分類(lèi)。Fu等[5]提出了一種遞歸注意卷積神經(jīng)網(wǎng)絡(luò)(RA-CNN)，該方法以相互增強(qiáng)的方式遞歸地學(xué)習(xí)局部區(qū)域和基于區(qū)域的特征表示。此類(lèi)方法屬于弱監(jiān)督學(xué)習(xí)方式，僅靠圖像類(lèi)別標(biāo)簽完成分類(lèi)從而節(jié)省了研究成本。

細(xì)粒度圖像分類(lèi)的另一個(gè)關(guān)鍵問(wèn)題是圖像特征信息表達(dá)不全面。受特征融合的啟發(fā)，Lin等[6]提出了一種雙線性模型B-CNN。此方法使用兩個(gè)神經(jīng)網(wǎng)絡(luò)并行工作提取特征，然后融合兩個(gè)特征，以構(gòu)成表達(dá)圖像信息能力強(qiáng)的特征。然而，B-CNN模型在進(jìn)行特征提取時(shí)沒(méi)有更好地獲取局部顯著特征從而影響了分類(lèi)效果。由此，本文提出了一種基于注意力機(jī)制的改進(jìn)雙線性算法。該算法在特征提取器中加入了注意力模塊CBAM[7]，使局部區(qū)域特征顯著利于分類(lèi)。為了防止過(guò)擬合，本文采用了數(shù)據(jù)增強(qiáng)擴(kuò)大訓(xùn)練集，使得算法有更強(qiáng)的適應(yīng)性和遷移性。通過(guò)在CUB-200-2011數(shù)據(jù)集和Stanford Cars數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)并與多種先進(jìn)的算法比較，驗(yàn)證了改進(jìn)算法的有效性。

1 基于注意力機(jī)制的B-CNN細(xì)粒度圖像分類(lèi)算法

1.1 雙線性模型B-CNN

雙線性模型B-CNN(Bilinear CNN)是由Lin等[6]從特征表示的研究點(diǎn)出發(fā)提出的一種用于細(xì)粒度圖像分類(lèi)的新穎網(wǎng)絡(luò)模型，在公共數(shù)據(jù)集CUB-200-2011上識(shí)別精度達(dá)到了84.1%。B-CNN模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。該模型使用兩個(gè)卷積神經(jīng)網(wǎng)絡(luò)作為特征提取器并行工作，輸入圖像分別進(jìn)入到兩個(gè)網(wǎng)絡(luò)中得到圖像的特征表示，然后將兩個(gè)神經(jīng)網(wǎng)絡(luò)最后一層的圖像特征做克羅內(nèi)克積操作(矩陣外積)，得到一個(gè)高維雙線性特征向量，最后使用全連接層訓(xùn)練特征向量完成最后的分類(lèi)工作。該模型能夠在只有圖像標(biāo)簽的情況下進(jìn)行端到端的訓(xùn)練。

圖1 B-CNN網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 B-CNN network structure diagram

用于細(xì)粒度圖像分類(lèi)的B-CNN由四元組B組成：B=(fA，fB，P，C)，fA和fB是特征提取函數(shù)，P是池化函數(shù)，C是分類(lèi)函數(shù)。

特征提取函數(shù)f(·)是一個(gè)特征映射函數(shù)，映射關(guān)系表示為f：L×I→Rc×D，I表示輸入圖像，L表示位置，Rc×D表示大小為c×D維特征。具體來(lái)講，將輸入圖像I和圖像對(duì)應(yīng)的位置L通過(guò)特征映射函數(shù)(特征提取器)映射為一個(gè)大小為c×D維的特征，然后在特征的每個(gè)位置使用矩陣外積操作將特征匯聚成一個(gè)雙線性特征，即位置l的fA和fB的雙線性特征組合式為：

Bilinear(l,I,fA,fB)=fA(l,I)TfB(l,I)

(1)

為了獲得雙線性特征向量，使用池化函數(shù)P匯聚圖像所有位置的雙線性特征，得到表示全局圖像Φ(I)的雙線性向量，表達(dá)式為：

Φ(I)=∑l∈LBilinear(l,I,fA,fB)

(2)

如果fA和fB提取的特征圖大小分別為C×M，C×N，則Φ(I)大小為M×N。再通過(guò)將Φ(I)重整為MN×1的雙線性向量，最后使用分類(lèi)函數(shù)C對(duì)雙線性向量進(jìn)行分類(lèi)預(yù)測(cè)，這里采用的分類(lèi)函數(shù)是Softmax。

1.2 注意力機(jī)制

近年來(lái)基于注意力機(jī)制的思想被廣泛應(yīng)用到深度學(xué)習(xí)的各個(gè)領(lǐng)域，因此注意力模型已經(jīng)成為深度學(xué)習(xí)中炙手可熱的研究點(diǎn)。注意力機(jī)制借鑒了人類(lèi)視覺(jué)機(jī)制的思想，即通過(guò)快速掃描全局內(nèi)容，獲得需要重點(diǎn)關(guān)注的區(qū)域，然后對(duì)重點(diǎn)區(qū)域投入更多的精力進(jìn)行處理以得到目標(biāo)的細(xì)節(jié)內(nèi)容。

在圖像分類(lèi)中注意力機(jī)制又分為硬注意力和軟注意力兩種。硬注意力通過(guò)對(duì)圖像目標(biāo)進(jìn)行裁剪放大再裁剪，從而將一個(gè)目標(biāo)放大到局部區(qū)域以獲得部件的細(xì)節(jié)信息。使用硬注意力的代表文獻(xiàn)包括文獻(xiàn)[5]和文獻(xiàn)[8]，其中文獻(xiàn)[5]利用互相強(qiáng)化的方式由粗到細(xì)的迭代裁剪以生成區(qū)域注意力，在訓(xùn)練過(guò)程中逐漸聚焦到關(guān)鍵區(qū)域；文獻(xiàn)[8]使用Selective Search算法對(duì)輸入圖像生成候選框，此過(guò)程會(huì)產(chǎn)生許多含有目標(biāo)的候選框，其中帶有目標(biāo)局部區(qū)域的候選框表示注意力區(qū)域，然后用譜聚類(lèi)算法[9]將提取的特征分為K類(lèi)，每類(lèi)代表一個(gè)目標(biāo)的局部區(qū)域位置，最后將每類(lèi)的特征拼接成一個(gè)特征完成分類(lèi)。

軟注意力表示通過(guò)學(xué)習(xí)輸入數(shù)據(jù)獲得權(quán)重圖。通過(guò)一系列學(xué)習(xí)得到的權(quán)重圖即是注意力圖，以文獻(xiàn)[7]、文獻(xiàn)[10]和文獻(xiàn)[11]為代表。本文使用卷積注意力模塊CBAM(Convolutional Block Attention Module)，它屬于軟注意力。CBAM是一個(gè)完整的網(wǎng)絡(luò)結(jié)構(gòu)，該算法將注意力同時(shí)運(yùn)用在通道和空間兩個(gè)維度上，并直接嵌入神經(jīng)網(wǎng)絡(luò)以提升網(wǎng)絡(luò)的特征提取能力。CBAM的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，其過(guò)程可以由下式描述：

圖2 CBAM網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.2 CBAM network structure diagram

F′=MC(F)?F

(3)

F″=MS(F′)?F

(4)

其中：F∈RC×H×W是大小為H×W的C維輸入特征；MC∈RC×1×1大小為1×1的C維通道注意力圖；MS∈R1×H×W大小為H×W的空間注意力圖。

通道注意力的計(jì)算公式如下：

MC(F)=σ(MLP(AvgPool(F))+

MLP(MaxPool(F)))

(5)

空間注意力MS(F)的計(jì)算公式如下：

MS(F)=σ(f7×7([AvgPool(f);

MaxPool(F)]))

(6)

其中：σ表示Sigmoid激活函數(shù)；MLP表示多層感知器；f7×7表示卷積核為7×7的卷積運(yùn)算。

1.3 引入注意力機(jī)制的B-CNN

為了讓雙線性模型提取更充分的局部特征而達(dá)到更好的分類(lèi)效果，在特征提取器中加入注意力模塊CBAM，改進(jìn)的B-CNN模型結(jié)構(gòu)如圖3所示。加入的注意力模塊使特征提取的能力更強(qiáng)，特征能夠較強(qiáng)地表達(dá)圖像信息，因此分類(lèi)效果得到了很大的提升。

圖3 改進(jìn)的B-CNN模型網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.3 Improved B-CNN model network structure diagram

本文改進(jìn)的注意力雙線性網(wǎng)絡(luò)是在兩個(gè)特征提取VGG-16的最后一個(gè)卷積層的后面加入注意力模塊，通過(guò)學(xué)習(xí)權(quán)重獲得圖像中重要信息以增強(qiáng)最后一層提取的特征，再對(duì)上下兩路網(wǎng)絡(luò)得到的特征進(jìn)行融合，最后進(jìn)行分類(lèi)。

2 實(shí)驗(yàn)

2.1 實(shí)驗(yàn)數(shù)據(jù)集

在CUB-200-2011數(shù)據(jù)集和Stanford Cars數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，驗(yàn)證本文算法的有效性。CUB-200-2011是加州理工學(xué)院在2010年提出的用于細(xì)粒度圖像分類(lèi)的公共數(shù)據(jù)集，該數(shù)據(jù)集包含200個(gè)類(lèi)別，其中共有11 788張鳥(niǎo)類(lèi)圖片，用于測(cè)試和訓(xùn)練的圖片分別有5 794張和5 994張。Stanford Cars數(shù)據(jù)集是一個(gè)汽車(chē)類(lèi)別數(shù)據(jù)集，該數(shù)據(jù)集包含196個(gè)類(lèi)別，共計(jì)16 185張圖像，其中訓(xùn)練集和測(cè)試集分別為8 144張和8 041張車(chē)輛圖片。

在神經(jīng)網(wǎng)絡(luò)中訓(xùn)練數(shù)據(jù)過(guò)少容易造成過(guò)擬合導(dǎo)致模型的分類(lèi)效果不佳，因此需要大量數(shù)據(jù)訓(xùn)練網(wǎng)絡(luò)模型。本文采用數(shù)據(jù)增強(qiáng)的方法擴(kuò)大訓(xùn)練數(shù)據(jù)來(lái)提高模型的識(shí)別性能。這里以CUB-200-2011數(shù)據(jù)集為例詳細(xì)描述數(shù)據(jù)增強(qiáng)操作。CUB-200-2011訓(xùn)練集從原來(lái)的5 994張圖片擴(kuò)大到了27 800張，每類(lèi)從30張擴(kuò)到139張圖片，實(shí)驗(yàn)中數(shù)據(jù)增強(qiáng)方式有以下幾種：(1)隨機(jī)水平翻轉(zhuǎn)(左右翻轉(zhuǎn))，隨機(jī)概率為0.4；(2)隨機(jī)垂直翻轉(zhuǎn)，隨機(jī)概率為0.8；(3)隨機(jī)90度旋轉(zhuǎn)，隨機(jī)概率為0.1；(4)隨機(jī)裁剪，隨機(jī)概率值為0.5，裁剪區(qū)域值為0.7；(5)隨機(jī)加亮度，最大亮度倍數(shù)為1.4，最小亮度倍數(shù)為0.6；(6)隨機(jī)放大圖片按照設(shè)定的范圍值裁剪，隨機(jī)概率為0.4，最大裁剪倍數(shù)為1.6，最小裁剪倍數(shù)為1.1。數(shù)據(jù)在增強(qiáng)過(guò)程中隨機(jī)組合上述操作生成增強(qiáng)圖片，將增強(qiáng)圖片調(diào)整為448×448的同一尺寸，并按本文實(shí)驗(yàn)輸入數(shù)據(jù)的需求格式制作數(shù)據(jù)集。在增強(qiáng)過(guò)程中放大裁剪操作能夠有效去除部分背景，使圖像在網(wǎng)絡(luò)中能更準(zhǔn)確定位目標(biāo)的局部區(qū)域。如果背景復(fù)雜則關(guān)注點(diǎn)在目標(biāo)整體，若去除背景則可以關(guān)注到局部區(qū)域更好完成分類(lèi)。圖4為部分增強(qiáng)裁剪操作后的示例，其中第一行表示原始圖像，第二三行表示數(shù)據(jù)增強(qiáng)操作后的圖片。

圖4 原圖和增強(qiáng)后圖片示例Fig.4 Examples of original and enhanced images

2.2 實(shí)驗(yàn)環(huán)境與過(guò)程

本文實(shí)驗(yàn)硬件環(huán)境為：Ubuntu 18.04操作系統(tǒng)，處理器為Intel? Xeon(R) E5-2650 v4@2.20 GHz×48，顯卡為T(mén)ITAN V，顯存12 GB，使用Spyder編輯器在Pytorch框架下實(shí)現(xiàn)。

在實(shí)驗(yàn)過(guò)程中使用預(yù)訓(xùn)練參數(shù)初始化模型能夠使模型收斂更快，因此主干網(wǎng)絡(luò)提取特征時(shí)使用 VGG-16在ImageNet上的預(yù)訓(xùn)練參數(shù)。本文在特征提取器VGG-16的最后一層添加注意力模塊，且注意力模塊隨機(jī)初始化參數(shù)。

本文實(shí)驗(yàn)分兩步：第一步，將數(shù)據(jù)集輸入到網(wǎng)絡(luò)中，使用VGG-16預(yù)訓(xùn)練參數(shù)初始化網(wǎng)絡(luò)，固定注意力模塊前的卷積層參數(shù)，只訓(xùn)練注意力模塊和全連接層以得到模型的最優(yōu)參數(shù)；第二步，使用模型最優(yōu)參數(shù)初始化網(wǎng)絡(luò)，微調(diào)所有層得到最終模型的分類(lèi)精度。由于使用全連接層分類(lèi)需要限制數(shù)據(jù)輸入的大小，實(shí)驗(yàn)中數(shù)據(jù)輸入網(wǎng)絡(luò)后統(tǒng)一調(diào)整為448×448，采用帶有動(dòng)量為0.9和權(quán)重衰減系數(shù)為0.000 01的SGD優(yōu)化器。

2.3 評(píng)價(jià)指標(biāo)

本文實(shí)驗(yàn)以精度(Accuracy)為評(píng)價(jià)指標(biāo)，計(jì)算公式如下：

(7)

其中：Accuracy 表示圖像分類(lèi)的精度；TP表示分類(lèi)正確的圖像個(gè)數(shù)；FP表示分類(lèi)錯(cuò)誤的圖像個(gè)數(shù)；Accuracy值越大表示圖像分類(lèi)模型的分類(lèi)效果越好。

2.4 數(shù)據(jù)增強(qiáng)和注意力模塊的有效性驗(yàn)證

為了驗(yàn)證數(shù)據(jù)增強(qiáng)和注意力模塊的有效性，本文在CUB-200-2011數(shù)據(jù)集上分別做了B-CNN +數(shù)據(jù)增強(qiáng)(B-CNN + Data)，B-CNN + 注意力模塊CBAM(B-CNN + CBAM)和B-CNN +數(shù)據(jù)增強(qiáng) +注意力模塊CBAM(B-CNN + Data + CBAM)的實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表1所示。

表1 數(shù)據(jù)增強(qiáng)和CBAM模塊有效性驗(yàn)證Table 1 Data enhancement and CBAM module validation

從表1可知， B-CNN和B-CNN+ Data相比較，數(shù)據(jù)增強(qiáng)能提升算法的泛化能力，它通過(guò)擴(kuò)充數(shù)據(jù)的相關(guān)特征，使得數(shù)據(jù)信息量更豐富進(jìn)而提升算法精度。B-CNN和B-CNN + CBAM比較表明，注意力機(jī)制對(duì)算法的提升有促進(jìn)作用，注意力機(jī)制能夠最大限度地學(xué)習(xí)圖像的特征信息，可以使網(wǎng)絡(luò)模型對(duì)圖像的顯著特征重點(diǎn)關(guān)注。由B-CNN+ Data和B-CNN + CBAM可知，數(shù)據(jù)增強(qiáng)和注意力機(jī)制均能提高分類(lèi)精度，數(shù)據(jù)增強(qiáng)能直接增強(qiáng)數(shù)據(jù)的相關(guān)特征從而提升算法性能，而注意力機(jī)制依托原始數(shù)據(jù)學(xué)習(xí)數(shù)據(jù)的重要特征信息提升算法效果。由B-CNN + Data + CBAM可知，在數(shù)據(jù)增強(qiáng)的基礎(chǔ)上添加注意力機(jī)制不僅能增強(qiáng)數(shù)據(jù)的相關(guān)特征，還能充分利用這些特征從而提升算法的分類(lèi)效果。

2.5 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文方法的有效性，將本文方法與目前細(xì)粒度圖像分類(lèi)領(lǐng)域的先進(jìn)方法Cross-X[12]，NTS-Net[13]，MC-Loss(B-CNN)[14]，SEF[15]，A3M[16]進(jìn)行對(duì)比。在數(shù)據(jù)集CUB-200-2011上的實(shí)驗(yàn)結(jié)果如表2所示。

表2 不同算法在CUB-200-2011數(shù)據(jù)集上的分類(lèi)精度Table 2 Classification accuracy of different algorithms on the CUB-200-2011 dataset

從表2可知，本文算法的精度均比其他算法高。在CUB-200-2011數(shù)據(jù)集上精度達(dá)到了87.7%，超越了其他5種方法，與Cross-X算法效果一樣。為了驗(yàn)證本文算法的通用性，在Stanford Cars數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果如表3所示。從表3可以看出，本文算法在Stanford Cars數(shù)據(jù)集上仍然能取得較好的效果，在Stanford Cars數(shù)據(jù)集上精度達(dá)到了93.1%，超越了其他5種算法。上述表中其他算法的分類(lèi)精度值來(lái)源于原文章。

表3 不同算法在Stanford Cars數(shù)據(jù)集上的分類(lèi)精度Table 3 Classification accuracy of different algorithms on the Stanford Cars dataset

實(shí)驗(yàn)證明數(shù)據(jù)增強(qiáng)與注意力模塊能夠明顯提升分類(lèi)精度，有注意力模塊的網(wǎng)絡(luò)能夠最大限度地學(xué)習(xí)到圖像的特征信息，所以圖像更容易被分類(lèi)正確。此外數(shù)據(jù)增強(qiáng)將圖像豐富化，特別是剪裁操作能夠降低部分背景因素導(dǎo)致的分類(lèi)效果不佳的影響。

3 結(jié)論

本文對(duì)雙線性網(wǎng)絡(luò)(B-CNN)算法進(jìn)行改進(jìn)，利用注意力模塊CBAM實(shí)現(xiàn)了一種基于注意力機(jī)制的雙線性網(wǎng)絡(luò)。首先對(duì)數(shù)據(jù)集進(jìn)行增強(qiáng)以豐富數(shù)據(jù)，然后將數(shù)據(jù)送入改進(jìn)的網(wǎng)絡(luò)進(jìn)行分類(lèi)。在CUB-200-2011數(shù)據(jù)集和Stanford Cars數(shù)據(jù)集上與目前先進(jìn)的細(xì)粒度圖像分類(lèi)算法進(jìn)行比較，結(jié)果表明本文提出的算法能較好捕捉圖像局部區(qū)域，從而實(shí)現(xiàn)了更好的細(xì)粒度圖像分類(lèi)效果。