王 波，黃 冕，劉利軍，3，黃青松，4，單文琦

（1.昆明理工大學(xué)信息工程與自動(dòng)化學(xué)院，云南昆明 650500；2.云南國土資源職業(yè)學(xué)院信息中心，云南昆明 652501；3.云南大學(xué)信息學(xué)院，云南昆明 650091；4.云南省計(jì)算機(jī)技術(shù)應(yīng)用重點(diǎn)實(shí)驗(yàn)室，云南昆明 650500）

1 引言

隨著深度學(xué)習(xí)、卷積網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，深度學(xué)習(xí)網(wǎng)絡(luò)在計(jì)算機(jī)視覺領(lǐng)域得到廣泛的應(yīng)用，如圖像檢索［1］、場景解析［2］和目標(biāo)跟蹤［3］等.在細(xì)粒度圖像識(shí)別領(lǐng)域，深度卷積網(wǎng)絡(luò)也得到了廣泛的研究與應(yīng)用.由于在細(xì)粒度圖像識(shí)別中，類內(nèi)差異容易受姿態(tài)、視角與位置等因素影響，類間具有相似性，且手工標(biāo)注位置不穩(wěn)定且耗費(fèi)人力，因此細(xì)粒度識(shí)別任務(wù)更具有挑戰(zhàn)性.Zhang 等人［4］提出強(qiáng)監(jiān)督細(xì)粒度圖像分類模型（Part-based Region Convolutional Neural Network，Partbased R-CNN），借助Bounding Box 和Part Annotation 標(biāo)簽進(jìn)行對(duì)象部件定位等操作得到對(duì)象與部件的圖像塊，最后將對(duì)象部件等特征級(jí)聯(lián)之后進(jìn)行分類.Partbased R-CNN 分類在準(zhǔn)確率方面取得了不錯(cuò)的效果，但存在算法速度慢、過于依賴標(biāo)簽、定位檢測不穩(wěn)定等問題.因此Wei 等人［5］提出Mask-CNN 模型，在訓(xùn)練時(shí)僅需要part annotations 和image-level 標(biāo)簽，同時(shí)借助（Fully Convolutional Networks，F(xiàn)CN）學(xué)習(xí)Part Mask來進(jìn)行對(duì)象部件定位等操作得到對(duì)象與部件的圖像塊，最后將對(duì)象部件等特征級(jí)聯(lián)之后進(jìn)行分類.Mask-CNN 取得很好的定位效果以及分類準(zhǔn)確率，并且大大降低了對(duì)標(biāo)記的依賴性，但是仍避免不了強(qiáng)監(jiān)督標(biāo)記分類.Lin 等人提出高階特征編碼雙線性卷積網(wǎng)絡(luò)（Bilinear-CNN，B-CNN）［6］和改進(jìn)的雙線性卷積網(wǎng)絡(luò)［7］，通過對(duì)特征圖進(jìn)行外積操作建立了特征圖中通道之間的線性相關(guān)，并進(jìn)行端到端的聯(lián)合優(yōu)化學(xué)習(xí)，在細(xì)粒度分類任務(wù)上取得了優(yōu)異的性能，但是無法捕捉特征圖中通道之間的非線性關(guān)系.于是Ge 等人［8］提出一種核化的雙線性卷積網(wǎng)絡(luò)，通過使用核函數(shù)的方式有效地建模特征圖中通道之間的非線性關(guān)系，改進(jìn)了高階特征編碼方法，提升了特征的表達(dá)能力.但是該方法存在外積導(dǎo)致特征的維度增大為原來的平方等缺點(diǎn).Zheng 等人［9］提出（Multi-Attention Convolutional Neural Network，MACNN）模型，拋棄手工標(biāo)記對(duì)象部件的方法，采用弱監(jiān)督學(xué)習(xí)方法，同時(shí)定位多個(gè)對(duì)象部件，提出信道分組損耗，通過聚類產(chǎn)生多個(gè)部分，將這些部分分別與特征進(jìn)行點(diǎn)乘得到局部精細(xì)化的特征分別進(jìn)行分類，取得了很好的分類準(zhǔn)確率.但是該方法中對(duì)象的部件數(shù)量有限（2 個(gè)或4 個(gè)），因此會(huì)限制分類的準(zhǔn)確性.先前工作通常采用定位或者分割來解決類內(nèi)的差異性，但是類間相似性依然影響特征的學(xué)習(xí).針對(duì)該問題，Dubey 等人［10］提出細(xì)粒度圖像識(shí)別（Pairwise Confusion，PC），以解決類別間相似性問題，該研究將成對(duì)的混淆損失和交叉熵?fù)p失結(jié)合，使用交叉熵函數(shù)強(qiáng)迫神經(jīng)網(wǎng)絡(luò)挖掘較高置信度的特征，從而減少損失從而提高分類準(zhǔn)確率，提供了很好的解決方法.Yang 等人［11］提出一種新的訓(xùn)練模式，使Navigator 能夠在Teacher 的指導(dǎo)下檢測到最具判別性的區(qū)域，Scrutinizer 仔細(xì)檢查這些區(qū)域并做出預(yù)測.這種多主體合作的方式相互促進(jìn)、相互收益，取得了較好的分類準(zhǔn)確率，非常值得借鑒.

針對(duì)上述分析，本文提出多層聚焦網(wǎng)絡(luò)模型.本文模型的創(chuàng)新性和貢獻(xiàn)之處如下.

（1）根據(jù)貪心算法思想設(shè)計(jì)多層聚焦網(wǎng)絡(luò)模型架構(gòu)，模型能夠有效地定位識(shí)別對(duì)象位置，同時(shí)又能找出更多的識(shí)別對(duì)象位置.從而達(dá)到更好的分類效果.

（2）提出卷積塊特征注意力模塊，能在空間和通道對(duì)特征進(jìn)行注意力特征的提取，同時(shí)進(jìn)行降維處理，增強(qiáng)網(wǎng)絡(luò)對(duì)對(duì)象有效特征的提取，又降低計(jì)算的復(fù)雜度.

（3）提出定位區(qū)域選擇機(jī)制，能有效地選擇具有代表性的定位區(qū)域，同時(shí)也能提高模型的泛化能力.

（4）提出雙線性注意力最大池化，增強(qiáng)特征的表達(dá)，降低維度和減少由卷積層參數(shù)誤差造成的估計(jì)均值的偏移誤差，提高模型的魯棒性.

模型架構(gòu)如圖1 所示，本模型由三層聚焦網(wǎng)絡(luò)、裁剪模塊以及遮擋模塊構(gòu)成.模型設(shè)計(jì)思想主要源于貪心算法.貪心算法（又稱貪婪算法）是指在對(duì)問題求解時(shí)，總是做出在當(dāng)前看來是最好的選擇.通過首層聚焦網(wǎng)絡(luò)（圖2）找到最優(yōu)的識(shí)別位置和特征矩陣并輸出定位區(qū)域和特征與注意力矩陣積矩陣，其余兩層聚焦網(wǎng)絡(luò)只輸出特征與注意力矩陣積矩陣.裁剪模塊根據(jù)定位區(qū)域?qū)υ瓐D像進(jìn)行裁剪得到裁剪圖像，輸入下一層聚焦網(wǎng)絡(luò)進(jìn)行訓(xùn)練.裁剪后的圖像能更大面積地覆蓋識(shí)別對(duì)象，能夠起到非常好的識(shí)別分類效果.但是貪心算法仍然存在問題，它沒有從整體最優(yōu)上加以考慮，所做出的僅是在某種意義上的局部最優(yōu)解.同樣本模型也存在局部最優(yōu)、過擬合問題.所以加入遮擋模塊與之對(duì)抗來解決局部最優(yōu)問題，能夠促進(jìn)模型尋找更多具有識(shí)別對(duì)象的特征信息.遮擋模塊根據(jù)定位區(qū)域?qū)υ瓐D像進(jìn)行遮擋得到遮擋圖像，輸入下一層聚焦網(wǎng)絡(luò)進(jìn)行訓(xùn)練.該模型各層之間相互對(duì)抗、相互合作、相互受益、共同進(jìn)步.

圖1 多層聚焦網(wǎng)絡(luò)架構(gòu)圖

單層聚焦網(wǎng)絡(luò)流程圖如圖2 所示.本網(wǎng)絡(luò)主要由Inception-V3 網(wǎng)絡(luò)［12］、卷積塊特征注意力模塊、定位區(qū)域選擇機(jī)制、雙線性注意力最大池化構(gòu)成.本網(wǎng)絡(luò)設(shè)計(jì)思想同樣遵循貪心算法思想.使用Inception-V3作為本網(wǎng)絡(luò)的基礎(chǔ)網(wǎng)絡(luò)，用來提取基礎(chǔ)特征.卷積塊特征注意力模塊借鑒卷積塊注意力模塊（Convolutional Block Attention Module）［13］方法，能在空間和通道進(jìn)行注意力特征的提取以及進(jìn)行降維處理，得到特征矩陣和注意力矩陣.降維處理一方面能夠降低計(jì)算復(fù)雜度，另外一方面是為了選擇最能代表識(shí)別對(duì)象的特征.定位區(qū)域選擇機(jī)制將從注意力矩陣中選出最佳定位區(qū)域，機(jī)制加入softmax 函數(shù)以及均方和等方式計(jì)算概率，softmax 函數(shù)使用指數(shù)函數(shù)能讓大的值更大，讓小的更小，增加區(qū)分對(duì)比度.同時(shí)本文設(shè)計(jì)了防止過擬合的策略，每次傾向隨機(jī)選擇定位區(qū)域，其中概率較大的特征矩陣被選中的優(yōu)先級(jí)相對(duì)而言會(huì)高一些.將定位區(qū)域輸入裁剪和遮擋模塊，對(duì)原圖像進(jìn)行裁剪和遮擋得到的裁剪圖像和遮擋圖像，作為下一層聚焦網(wǎng)絡(luò)的輸入.受雙線性模型的影響，本文提出雙線性注意力最大池化，對(duì)特征矩陣和注意力矩陣進(jìn)行外積相乘，再配合最大池化提取特征能保留圖像更多的紋理信息，同時(shí)提高所提取特征的魯棒性.雙線性注意力最大池化輸出特征與注意力矩陣積矩陣去做分類預(yù)測.最后為了解決網(wǎng)絡(luò)中局部最優(yōu)過擬合這一問題，并增強(qiáng)模型的泛化能力，加入注意力中心損失，對(duì)屬于同一對(duì)象特征的方差進(jìn)行懲罰.

圖2 單層聚焦網(wǎng)絡(luò)流程圖

2 多層聚焦卷積網(wǎng)絡(luò)

2.1 聚焦卷積網(wǎng)絡(luò)

2.1.1 卷積塊特征注意力模塊

卷積塊注意力模塊（Convolutional Block Attention Module，CBAM）是一種結(jié)合空間和通道的注意力機(jī)制.在分類和檢測模型上被廣泛使用.其優(yōu)勢不言而喻，但仍然存在以下不足：缺乏通道與通道之間的交互，無法捕捉通道之間的非線性關(guān)系，過于關(guān)注特征表達(dá)從而導(dǎo)致過擬合.為改進(jìn)CBAM 存在的這些不足，提出卷積塊特征注意力模塊（Convolutional Block Feature Attention Module，CBFAM）.該模塊是在CBAM 原有的基礎(chǔ)上加入多層1*1卷積核對(duì)特征進(jìn)行降維處理，實(shí)現(xiàn)跨通道的交互和信息整合，增加網(wǎng)絡(luò)的非線性能力，提高網(wǎng)絡(luò)的表達(dá)能力并且減少計(jì)算量，進(jìn)行通道數(shù)隨機(jī)截取以此提高泛化能力，最后輸出的是特征圖F和注意力圖A.將從Inception-V3 網(wǎng)絡(luò)中提取圖像I 的特征圖F∈RC×H×W輸入CBFAM 模塊中得到特征圖Fa∈RC×H×W和注意力圖Α∈RM×H×W計(jì)算公式如式（1）所示.

其中，A表示物體的某個(gè)部分；C、H、W分別表示特征圖的通道數(shù)、高度、寬度；分別代表經(jīng)過全局平均池化層和全局最大池化層計(jì)算后的特征值；W0和W1代表的是多層感知機(jī)模型中的兩層參數(shù)；σ表示的是sigmoid 激活函數(shù)；f7*7表示卷積層使用7*7 的卷積核，f1*1表示卷積層使用1*1的卷積核；M是注意力圖的數(shù)量.

2.1.2 定位區(qū)域選擇機(jī)制

在注意力圖Α∈RM×H×W中有M個(gè)特征矩陣表示圖像中的不同對(duì)象部件.如何選擇其中一個(gè)特征矩陣來代表最具有判別性的對(duì)象部件尤為重要.本文希望模型在找到最佳部分特征的同時(shí)也能夠找到更多具有判別性的部分特征，從而提高模型泛化能力.使用softmax函數(shù)處理注意力圖A，將注意力圖中的值映射成為（0，1）的值，這些值的累和為1（滿足概率的性質(zhì)）.softmax函數(shù)加入冪函數(shù)使這些值兩極化：正樣本的結(jié)果將趨近于1，而負(fù)樣本的結(jié)果趨近于0.根據(jù)softmax 函數(shù)的性質(zhì)進(jìn)一步去除噪音.計(jì)算M個(gè)特征矩陣被選中的概率pM，其計(jì)算公式如式（2）所示，在參考概率pM的同時(shí)采用隨機(jī)的方式從M個(gè)特征矩陣中選出一個(gè)特征矩陣Αk∈R1×H×W，其中概率大的特征矩陣優(yōu)先選中.

根據(jù)pM采用概率和隨機(jī)方式得到定位區(qū)域注意力矩陣Αk∈R1×H×W進(jìn)行標(biāo)準(zhǔn)化處理，計(jì)算公式如式（3）所示.

2.1.3 雙線性注意力最大池化

雙線性卷積網(wǎng)絡(luò)通過對(duì)卷積層輸出的特征圖進(jìn)行外積操作建模了特征圖中通道之間的線性相關(guān)，在細(xì)粒度圖像識(shí)別任務(wù)上取得了優(yōu)異的性能，但是無法捕捉特征圖中通道之間的非線性關(guān)系，并且導(dǎo)致特征的維度增大為原來的平方.因而提出雙線性注意力最大池化（Bilinear Attention Max Pooling）方法，解決無法捕捉通道之間的非線性關(guān)系問題并降低維度.將特征圖Fa∈RC×H×W與每個(gè)注意力圖Α∈RM×H×W相乘，生成M個(gè)部分的特征圖Fk∈RC×H×W，加入非線性激活函數(shù)、最大池化層，計(jì)算公式如式（4）所示.

其中，F(xiàn)k為兩個(gè)張量的元素乘.通過全局最大池層得到第k個(gè)特征與注意力矩陣積矩陣fk∈R1×C，計(jì)算公式如式（5）所示.

Pk∈RM×C表示對(duì)象不同部分特征矩陣將作為模型輸出進(jìn)行預(yù)測，Pk由特征fk疊加而成.計(jì)算公式如式（6）所示.

2.1.4 注意力中心損失

Wen 等人［14］提出的中心損失問題，在配合softmax函數(shù)使用時(shí)希望學(xué)習(xí)到的特征具有更好的泛化性和辨別能力.通過懲罰每個(gè)種類的樣本和該種類樣本中心的偏移，使得同一種類的樣本盡量聚合在一起.為了解決局部優(yōu)化過擬合這一問題，增強(qiáng)模型的泛化能力，本文中對(duì)屬于同一對(duì)象部件的特征的方差進(jìn)行懲罰，即部件特征Pk∈RM×C將趨近于全局特征中心Ck∈RM×C，在同一對(duì)象部件kth中反饋?zhàn)⒁饬DA.其中損失函數(shù)LC只在首層聚焦網(wǎng)絡(luò)和使用裁剪圖像作為輸入的聚焦網(wǎng)絡(luò)中使用，計(jì)算公式如式（7）所示.

Ck初始化為（0，0），計(jì)算公式如式（8）所示.

其中，β控制Ck的更新速度，中心更新計(jì)算只在首層聚焦網(wǎng)絡(luò)和使用裁剪圖像作為輸入的聚焦網(wǎng)絡(luò)中使用.

2.2 裁剪模塊

根據(jù)定位區(qū)域注意力矩陣對(duì)原圖像進(jìn)行裁剪，裁剪后的圖像能更大面積地覆蓋識(shí)別對(duì)象，去除無關(guān)背景，起到非常好的分類效果.通過設(shè)置大于閾值θc∈[0.4,0.6]時(shí)等于1，其他為0，得到裁剪邊框Ck，采取上采樣的方式從原圖像中放大這個(gè)區(qū)域得到裁剪圖像作為下一層聚焦網(wǎng)絡(luò)的輸入.由于對(duì)象部分的規(guī)模增加，因此能更好地對(duì)對(duì)象提取更細(xì)粒度的特性.該模塊在模型訓(xùn)練和測試中使用，計(jì)算公式如式（10）所示.

2.3 遮擋模塊

根據(jù)定位注意力矩陣對(duì)原圖像進(jìn)行局部遮擋，促進(jìn)模型找出更多具有代表性的多個(gè)有判別性對(duì)象部分的定位區(qū)域注意力矩陣以此對(duì)抗由于裁剪模塊產(chǎn)生局部最優(yōu)過擬合的負(fù)面效果，提高分類的穩(wěn)健性和定位的準(zhǔn)確性.通過設(shè)置小于或等于閾值θd∈[0.4,0.6]時(shí)為1，其他為0，得到遮擋框Dk，將遮擋框與原圖像相乘得到遮擋圖像作為下一層聚焦網(wǎng)絡(luò)的輸入.該模塊只在模型訓(xùn)練時(shí)使用，計(jì)算公式如式（10）所示.

3 實(shí)驗(yàn)

3.1 數(shù)據(jù)集

實(shí)驗(yàn)部分在3 個(gè)細(xì)粒度圖像識(shí)別數(shù)據(jù)集CUB-200-2011［15］、FGVC-Aircraft［16］以及Stanford Cars［17］上對(duì)本文方法進(jìn)行評(píng)估.

CUB-200-2011 數(shù)據(jù)集共包含來自200 個(gè)鳥類物種的11788 張圖像，其中5994 張訓(xùn)練與驗(yàn)證圖像，5794 張測試圖像.FGVG-Aircraft 數(shù)據(jù)集包括1 萬張圖像共100種飛機(jī)型號(hào)，其中訓(xùn)練與驗(yàn)證圖像共6667張，測試圖像為3333 張.Stanford Cars 數(shù)據(jù)集具有196 個(gè)汽車類別共16185 張圖像，其中訓(xùn)練與驗(yàn)證圖像共8144 張，測試圖像為8041 張.本文實(shí)驗(yàn)中均未采用邊界框等額外標(biāo)記信息.數(shù)據(jù)集示例實(shí)例如圖3所示.

圖3 數(shù)據(jù)集示例圖

3.2 實(shí)驗(yàn)參數(shù)

實(shí)驗(yàn)的環(huán)境配置如下.CPU：Intel（R）Silver；GPU：NVIDIA TITAN XP；內(nèi)存為128G；操作系統(tǒng)為Ubuntu16.04；采用Inception-V3 作為主干，輸入圖像大小為512×512.定位區(qū)域裁剪和遮擋后的圖片大小為512×512.特征圖的通道數(shù)目均為768，注意力圖通道數(shù)均為32.本文使用帶動(dòng)量的批處理隨機(jī)梯度下降算法（SGD），動(dòng)量為0.9，權(quán)重衰減為0.00001，批量大小設(shè)置為16.訓(xùn)練次數(shù)為80，初始學(xué)習(xí)率設(shè)置為0.001，每隔2 個(gè)epoch 指數(shù)衰減0.9.數(shù)據(jù)增廣方式為圖像的隨機(jī)水平翻轉(zhuǎn).

3.3 模型組件測試

本模型主要由5個(gè)部分組成，包括卷積塊特征注意力模塊、定位區(qū)域選擇機(jī)制、雙線性注意力最大池化、裁剪模塊、遮擋模塊.本文在CUB200-2011數(shù)據(jù)集上測試每個(gè)模塊對(duì)模型的影響.

實(shí)驗(yàn)結(jié)果如表1所示.在單層聚焦模型中，相對(duì)Inception-V3 網(wǎng)絡(luò)的準(zhǔn)確率83.7%，效果提升非常顯著，模型準(zhǔn)確率提升到86.8%，證明了本文方法的有效性.在多層聚焦網(wǎng)絡(luò)中，模型在分別加入裁剪和遮擋模塊后均得到提升.使用全部模塊后，模型達(dá)到最高的準(zhǔn)確率.實(shí)驗(yàn)結(jié)果證明了該模型在多層聚焦卷積網(wǎng)絡(luò)中每個(gè)模塊的有效性.

表1 組成部分及其組合的貢獻(xiàn)

3.4 注意力圖數(shù)量測試

在弱監(jiān)督模型中，注意力圖是進(jìn)行對(duì)象部件定位的重要部分，在本文的M個(gè)注意力圖中每一個(gè)都代表了對(duì)象的一個(gè)部件，例如鳥的頭部、飛機(jī)的機(jī)翼等.本文對(duì)注意力圖M大小的設(shè)置進(jìn)行相應(yīng)的實(shí)驗(yàn).

實(shí)驗(yàn)結(jié)果如表2 所示.當(dāng)M=4 時(shí)，對(duì)象部件可能分為鳥的頭、翅膀、尾巴和腳等4 個(gè)部分，當(dāng)M不斷增加時(shí)，對(duì)象部件會(huì)定位到鳥喙、眼等部位.在這一過程中模型將去掉相似性區(qū)域、無關(guān)區(qū)域，找到細(xì)微的判別區(qū)域，從而使分類準(zhǔn)確率不斷提升.當(dāng)M=32 后，準(zhǔn)確率到達(dá)最高，同時(shí)意味著已經(jīng)分出最佳判別區(qū)域?qū)ο蟛考拇笮?之后M再增加時(shí)，產(chǎn)生的對(duì)象部件將是最佳判別區(qū)域部件的子集，模型是通過對(duì)判別性區(qū)域的裁剪放大后的圖像再分類.因此M再增加，準(zhǔn)確率也趨于穩(wěn)定.

表2 注意力圖數(shù)量的影響

3.5 與當(dāng)前方法準(zhǔn)確率對(duì)比

本節(jié)實(shí)驗(yàn)進(jìn)一步在三個(gè)細(xì)粒度圖像數(shù)據(jù)集上對(duì)本文方法進(jìn)行全面的評(píng)估，并與當(dāng)前主流方法進(jìn)行比較.實(shí)驗(yàn)結(jié)果如表3 所示［7～12，18～27］.本模型在當(dāng)前主流細(xì)粒度圖像數(shù)據(jù)集上都達(dá)到最佳的準(zhǔn)確率.

表3 與當(dāng)前方法準(zhǔn)確率對(duì)比

4 結(jié)論

本文提出一種多層Inception-V3 聚焦卷積網(wǎng)絡(luò)，能夠提取更多有效的局部特征，聚焦于對(duì)象的識(shí)別位置，得到更具有判別力的圖像表達(dá).同時(shí)多層聚焦卷積網(wǎng)絡(luò)之間相互對(duì)抗、相互合作、相互受益、共同進(jìn)步，進(jìn)一步提高網(wǎng)絡(luò)的性能.實(shí)驗(yàn)表明，本文所提出的多層聚焦網(wǎng)絡(luò)在3個(gè)細(xì)粒度圖像數(shù)據(jù)集上均取得了優(yōu)異的性能.在未來的工作中，可以將本文方法應(yīng)用至更多計(jì)算機(jī)視覺任務(wù)中，同時(shí)進(jìn)一步考慮將本文提出的多層聚焦網(wǎng)絡(luò)應(yīng)用于其他卷積網(wǎng)絡(luò)架構(gòu)中.