图像分类是计算视觉中重要的一部分,从发展之初到现在已经取得巨大的进步。在大类别分类中前五的正确率已经有90%以上,超过了人类现有的水平。在同一大类别内的子类分类的性能已经到达80%以上,但是还没有达到专业的水平,并且这些模型往往只针对特定的数据集,可能不具有广泛性。现阶段的细粒度图像分类算法主要分为两步,第一步是找出目标对象的区域或者目标对象关键部位的区域,第二步将找出的区域用于特征提取作为分类器的输入进行训练。在第一步中现有的细粒度算法使用人工标注的信息来对输入图像进行区域提取,这样的代价往往是昂贵的。在第二步中现有的细粒度图像分类算法使用单一的卷积神经网络进行分类训练,单一的卷积神经网络可能对一些特征的提取不完善。本文主要使用弱监督的区域提取算法提取目标区域,再用CNN提取目标区域的特征进行细粒度分类。本文有两个主要工作:第一个是使用现有网络的一些特性在无人工标记信息的情况下尽可能的降低噪声(噪声对象处于前景或者所占图像面积大于目标对象)对图像分类带来的影响,并在此基础上尽可能的保留住目标对象的重要特征区域,生成裁剪图像。在ImageNet图像集上进行训练的网络模型已经能够很好的区分大类类别,通过对网络pool5层(以VGG16为例)的输出特征进行融合可以看出网络在识别大类之间是通过目标对象关键部(特有部位等)来实现的,基于这一特性可以实现网络的注意力,有助于细粒度图像分类。将网络其他不同尺寸的特征进行融合时发现在无强背景(噪声对象过大或者目标对象过小)时,多尺度特征图融合基本能够完美贴合目标对象的边界;在有强背景的情况下,网络的“注意力”容易被噪声对象(人、树干等)吸引,造成区域提取网络对位置的误判。这就需要对提取的粗糙区域进行二次处理。第二个是使用现有网络进行一些合理的改动和组合,综合考虑一些重要因素,对裁剪图像进行细粒度图像分类。将原始数据集和本文第三章的裁剪数据集同时作为训练数据集,在相同实验条件下对比网络的准确率。使用的网络模型分为经典CNN网络和改进的CNN网络。