细粒度图像中物体的分割是具有挑战性的,因为这类图像一般具有很大的表观变化和混杂的背景。大多数已有的分割方法都不能以足够的准确率将细粒度图像中物体的细小部件分割出来。然而在细粒度识别任务中,这些细小的部件通常包含了对细粒度分类极为重要的语义信息。通过观察发现,细粒度物体通常在类间共享相同的部件种类,本文由此提出一种新颖的基于部件检测的细粒度图像分割方法。该方法明确地检测部件在图像中的位置,给出部件位置假设。然后通过不断地迭代更新部件假设和分割的输出假设,以获得更优的分割效果。实验表明本文方法能够很好地保留具有语音信息的部件,提高细粒度分类的准确率。 ?件信息，而一旦定位模型训练完成后细粒度图像分割-电动折弯机滚圆机滚弧机张家港电动滚圆机滚弧机倒角机，就可以在任何图像中实现自动的部件定位。更进一步，对于连训练数据都没有真实部件信息的情况，研究继而提出了无监督的部件定位(发现)方法。该方法仅仅利用一些底层的视觉特征，挖掘图像局部区域可能存在的部件，然后利用这些部件训练定位部件模型。相关的部件发现的工作、比如文献［4］也利用了图像底层视觉特征。但是本文提出的部件发现策略首次引入了姿态一致性的约束 本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name，使得本文发现的部件能够更好地覆盖研究对象。图1本文方法示意图Fd和本文提出的分割方法最相关的是文献［2］研发的共生的细粒度分类和分割方法。该方法第一次发现了细粒度图像分类和物体检测具有一定的协同作用，将部件检测和分割相结合可以提升细粒度视觉分析的性能。在设计框架中分别使用D和GrabCut作为其检测和分割算法。本文提出的方法与上述方法的不同主要表现在如下2个方面:(1)DPM仅仅给出了一些粗略的部件的检测结果，而本文方法可以利用更富含语义信息的专家定义的部件训练模型进行检测。(2)研究并不是在每次分割迭代之后都重新检测部件的位置，而是迭代地更新本文的部件检测假设和分割前景假设，为的是最大限度地保留尽可能多的对细粒度视觉分析有用的部件。1基于弱监督的部件检测时下现有的部分成果已经证明了，精确的物体部件检测能够显著地提高细粒度分类的性能［1－2］。只是这些研究一般都基于参数化模型的工作，同时也都使用了这一假设:部件的位置分布遵循的是高斯分布。但已有证明指出这个细粒度图像分割-电动折弯机滚圆机滚弧机张家港电动滚圆机滚弧机倒角机 本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name