文章详情

摘要

复杂自然场景下的花卉细粒度图像分类经常因为背景杂乱、光照不均、杂物遮挡，造成细粒度特征难以提取，成为识别精度的瓶颈。本研究提出一种基于SE-ResNet34的花卉分类改进方法。以ResNet34为骨干网络，在其基础残差块中嵌入Squeeze-and-Excitation（SE）通道注意力模块，重新分配特征权重。经在Oxford Flowers 102公开数据集上测试验证，该模型的Top-1识别准确率达到98.30%。与基准模型ResNet34相比，精度提高了5.15个百分点，收敛速度提高了约30%。在杂物遮挡、光照强度低等复杂场景下，鲁棒性指标（F1-score）达到97.92%。

关键词

花卉识别；细粒度图像分类；注意力机制；ResNet34；迁移学习

参考文献

1. [1] 李超.园林绿化中花卉的重要性分析 [J].房地产导刊，2014（17）：221.
2. [2] 李祥霞，吉晓慧，李彬.细粒度图像分类的深度学习方法 [J].计算机科学与探索，2021，15（10）：1830-1842.
3. [3] Deng J，Dong W，Socher R，et al. ImageNet：A Large-Scale Hierarchical Image Database [C]//2009 IEEE Conference on Computer Vision and Pattern Recognition，2009：248-255.
4. [4] He K，Zhang X，Ren S，et al. Deep Residual Learning for Image Recognition [C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition，2016：770-778.
5. [5] Simonyan K，Zisserman A. Very Deep Convolutional Networks for Large-Scale Image Recognition [J/OL].arXiv:1409.1556 [cs.CV].https://doi.org/10.48550/arXiv.1409.1556.
6. [6] Hu J，Shen L，Samuel A，et al. Squeeze-and-Excitation Networks [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2019，42（8）：2011-2023.
7. [7] 任欢，王旭光.注意力机制综述 [J].计算机应用，2021，41（S1）：1-6.
8. [8] 杨锁荣，杨洪朝，申富饶，等. 面向深度学习的图像数据增强综述 [J].软件学报，2025，36（3）：1390-1412.
9. [9] Nilsback M E，Zisserman A. Automated Flower Classification Over a Large Number of Classes [C]//2008 Sixth Indian Conference on Computer Vision，Graphics & Image Processing，2008：722-729.
10. [10] Pan S J，Yang Q. A Survey on Transfer Learning [J].IEEE Transactions on Knowledge and Data Engineering，2009，22（10）：1345-1359.
11. [11] 高世弟，杨明悦，江丹，等.基于注意力机制和迁移学习的花类品种鉴别研究 [J].软件，2022，43（10）：46-50.
12. [12] 张梦雨.基于 ResNet 和注意力机制的花卉识别 [J].计算机与现代化，2021（4）：61-67.

基金项目

国家自然科学基金资助项目（32460440）

作者简介

杨佳鑫（2005—），男，汉族，甘肃庆阳人，本科在读，研究方向：计算机视觉、细粒度图像分类；武雪梅（2006—），女，汉族，甘肃天水人，本科在读，研究方向：深度学习；崔文鑫（2006—），男，汉族，河北保定人，本科在读，研究方向：计算机视觉；何建晨（2005—），女，汉族，甘肃武威人，本科在读，研究方向：数据挖掘；通信作者：李永彪（1996—），男，汉族，甘肃张掖人，助教，硕士，研究方向：人工智能。