.png){kind=icon}
返回
Multi-level navigation network: advancing fine-grained visual classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-025-06933-4.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
细粒度视觉分类（FGVC）被定义为在基本类别内部进行更精细的子类别划分。该任务既具有重要价值又充满挑战。其难度主要源于类别间固有的细微差异以及类别内显著的不同。FGVC的关键解决方案在于识别具有细微但判别性特征的区域并有效表示这些特征。然而，随着深度卷积神经网络日益普及，研究人员主要优先使用高层、抽象的语义特征来实现FGVC，从而忽视了低层、详细的视觉信息，导致特征表示能力不足。因此，我们提出了多级导航网络（MLNN），通过融合高层语义和低层细节来增强特征表示。具体而言，MLNN由（1）特征精化和注意力增强模块组成，该模块使网络能够学习详细的特征表示，并通过注意力机制进一步强化特征；（2）三元组增强的多级融合模块，该模块整合不同层级的特征，从而形成更全面的特征表示。实验结果表明，我们的方法在三个广泛认可的标准数据集上达到了当前最优性能。
Keyword:
FGVC
Feature representation
Multi-level
Triplet loss
期刊
IF:
2.7
论文数:
1.1K
被引数:
1.0W
机构
暂无机构信息
引用论文
Significant feature suppression and cross-feature fusion networks for fine-grained visual classification.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Multilayer feature fusion with parallel convolutional block for fine-grained image classificationAPPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏Multiscale Progressive Complementary Fusion Network for Fine-Grained Visual ClassificationIEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏
查看更多内容