基于多粒度特征融合的叶片分类与分级方法

长期以来,已有很多工作致力于研究植物叶片分类,虽然它们在公开数据集上表现较好,但实际应用并不理想,且难以应用于更复杂的问题,如叶片分级,即要求在对叶片进行分类的基础上,再对同一类的叶片进行更细级别(质量等级)的划分.为此,提出了一种新的植物叶片分类以及分级模型,该模型关注叶片的多粒度信息,并将粗粒度与细粒度进行有效融合.该模型包含粗粒度和细粒度两个分支,由粒度混合损失将两个分支联系起来,促使模型逐步学习由粗到细的粒度表征.采用了多步骤训练方式,每一步提取不同层级的特征,实现浅层特征与深层特征的融合.此外,还提出了几何通道注意力模块,该模块由空间变换和双线性注意力池化组成,使模型可以关注图像中更具区分度的局部区域,提取出的特征更具区分性.所提方法在Fla-via leaf和Swedish leaf两个公开的叶片分类数据集上分别达到了99.8％和99.7％的分类准确率,且在所构建的烟叶分级数据集上达到了71.9％的分级准确率,均超过了目前最优的方法.