科研之友
微信
新浪微博
Facebook
分享链接
摘要
细粒度图像分类（Fine-grained image classification，FGIC）一直是计算机视觉领域中的重要问题之一。与传统图像分类任务相比，FGIC的挑战在于类间对象之间极其相似，使任务难度进一步增加。随着深度学习的发展，Vision Transformer（ViT）模型在视觉领域掀起热潮，并被引入到FGIC任务中。介绍了FGIC任务所面临的挑战、ViT模型相关介绍及特性分析。主要根据模型结构全面综述了基于ViT的FGIC算法，包括特征提取、特征关系构建、特征注意和特征增强四方面内容，对每种算法进行总结，并分析它们的优缺点。接着，通过对不同ViT模型在相同公用数据集上进行模型性能比较，以验证它们在FGIC任务上的有效性。最后，指出了目前研究的不足，并提出未来研究方向，以进一步探索ViT在FGIC中的潜力。
- 单位
