基于图像融合和注意力机制的图像分类

摘要

图像分类作为计算机视觉领域的一个关键任务，在多种应用场景中具有重要意义.针对图像分类中的准确性和鲁棒性问题，提出了一种基于图像融合和注意力机制的分类方法.首先，选用了ResNet-152作为图像分类的基础模型，并对公开数据集进行了预处理.在特征融合阶段，采用了三个并行支路，分别应用不同大小的卷积核进行特征提取.随后，在残差网络结构后引入了注意力机制，综合了构建的格拉姆矩阵、平均池化和最大池化，以突出模型对分类有益的区域.在实验阶段，在公共图像数据集上进行大量实验，结果表明所提出的方法在实际应用中表现出很好的效果，分类准确度从最初的96.68%提高到98.87%.同时，相较于传统方法具有更好的鲁棒性.因此，本研究为图像分类领域提供了一种有效的改进方法，具有广泛的应用前景.

关键词

图像融合 / 注意力机制 / 深度学习 / 图像分类 / 卷积网络