В связи с проблемой легкого игнорирования мелких потенциальных признаков и незначительных различий во внешнем виде в задачах тонкой классификации изображений предлагается сеть тонкой классификации на основе двойного внимания и случайного выбора глобального контекста. Во-первых, используется ConvNeXt в качестве основной сети, предлагается модуль двойного внимания со случайным выбором, который выполняет случайный выбор каналов и пространственный случайный выбор на различных этапах, позволяя сети концентрироваться на других потенциальных мелких дискриминирующих признаках; во-вторых, с помощью модуля внимания глобального контекста семантическая информация глубоких признаков интегрируется в промежуточные слои, усиливая возможность локализации малых признаков; наконец, предлагается многоветвистая функция потерь, вводящая классификационные потери в промежуточные, глубокие и объединённые слои, что в сочетании с признаками из разных ветвей стимулирует сеть получать разнообразные дискриминирующие признаки. Предложенная сеть достигла точности распознавания 95,2%, 92,1%, 94,0% и 97,0% на открытых тонко-классификационных наборах данных Stanford-cars, CUB-200-2011, FGVC-Aircraft и реальных данных модели VMRURS соответственно, значительно превосходя другие методы по производительности.

тонкая классификация; ConvNeXt; двойное внимание со случайным выбором; внимание глобального контекста; многоветвистая функция потерь