.png){kind=icon}
返回
HGNet: Hypergraph-coordinated multi-scale spatial dependency-aware fusion for image classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2026.114355.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
图像分类模型通过特征提取模块从图像中提取高维特征，并通过池化层和全连接层将这些高维特征直接映射到类别概率。然而，在将特征从高维空间映射到低维空间的过程中，现有模型不可避免地会丢失大量重要信息，这限制了模型基于判别信息预测类别概率的能力。为解决此问题，我们提出了一种图像分类网络架构，即HGNet。它通过交替更新策略在特征空间中构建多尺度超图，捕捉特征之间的空间依赖关系，并通过依赖感知融合增强模型感知判别信息的能力。此外，为减少不同尺度特征之间的信息冗余，我们引入了一个多维正交化模块，明确地解耦这些特征，使每个特征专注于自身的判别信息。理论上，我们提供了理论分析以解释HGNet及其各模块的有效性。实验上，HGNet在多个基准和真实数据集上实现了具有竞争力和鲁棒性的性能。此外，所提出的方法可以灵活地集成到主流分类骨干网络中，进一步展示了HGNet的实践泛化能力。我们的代码可在https://github.com/MFIDteam/HGNet获取。
Keyword:
Image classification
Multi-scale hypergraphs
Dependency-aware fusion
Multidimensional orthogonalization
Classification network architecture
