细粒度图像分类是图像分类领域内的一项具有挑战性的任务,其主要目标是对子类别间进行区分。由于含有判别性的信息往往存在于微小的局部区域中,目前大部分细粒度图像分类算法都是在得到判别性区域之后,再根据判别性区域训练卷积神经网络进行细粒度分类。通过对获取判别性区域算法分析发现,这些算法要么依赖于人工标注信息,要么判别性区域包含较大冗余信息,严重影响了模型分类的性能。对此,本文围绕判别性区域定位和模型训练方式对细粒度图像分类算法展开研究,主要研究内容及创新工作如下:1.针对判别性区域定位,本文提出一种基于注意力感知多层特征融合的细粒度图像分类算法。该算法首先利用双线性运算层改进注意力网络,在图像特征上利用改进的注意力网络和定位网络对判别性区域实现自动定位;然后对判别性区域裁剪放大并提取特征,使用多层特征融合的方式将网络多阶段卷积特征进行融合;最后融合全局特征和各层融合后的特征,提升特征的表达能力,并基于此融合特征进行分类。实验结果表明,本文算法在CUB-200-2011和Stanford Cars数据集上取得了良好的效果。2.为了提高模型的分类准确率和训练效率,本文针对训练方式提出集成迁移学习算法。首先通过对网络初步迭代训练确定模型的最佳微调深度;然后在训练过程中利用学习率的设置和随机平均加权算法得到多个局部模型权重;最后集成各个局部模型权重,并取其平均值作为最终预测模型的权重。同时提出一个深度注意力特征融合网络,该网络没有复杂模型所拥有的独特优势和复杂的训练过程。首先将改进的注意力网络嵌入到Res Net的多个残差结构中,然后将网络的多层卷积特征融合用于分类。对模型采用集成迁移学习的方式进行训练,实验表明集成迁移学习算法能够在不增加额外训练量的前提下稳定提升模型的分类准确率,分类性能与复杂度较高的模型相比也相差无几。