| 使用环境 |
使用Pytorch深度学习框架在服务器端完成，GPU型号为NVIDIA Tesla V100，输入图像尺寸为448×448，局部区域输入尺寸为224×224。 |
| 使用对象 |
CUB-200-2011数据集中的鸟类图像、FGVC Aircraft数据集中的飞机图像、Stanford Cars数据集中的汽车图像。 |
| 使用目的 |
在弱监督条件下，通过挖掘图像的细粒度特征和判别性区域，实现对高度相似子类图像的准确识别。 |
| 输入数据 |
输入为图像数据，包括CUB-200-2011、FGVC Aircraft和Stanford Cars数据集中的图像。 |
| 输出数据 |
输出为图像的类别识别结果，即识别出图像所属的细粒度子类类别。 |
| 硬件配置 |
CPU：Intel Core i7-8700；GPU：NVIDIA Tesla V100；内存：8GB。 |
| 样本获取 |
在CUB-200-2011、FGVC Aircraft和Stanford Cars三个公开数据集上进行实验，分别有5994张、6667张和8144张训练图像，以及5794张、3333张和8041张测试图像。 |
| 测试结果 |
在CUB-200-2011数据集上，识别准确率达到了94.8%；在FGVC Aircraft数据集上，识别准确率达到了94.3%；在Stanford Cars数据集上，识别准确率达到了94.8%。 |
| 执行速度 |
针对4核CPU，计算占比分别平均约60%，50%，70%，30%；8GB内存，使用占比50%。 |
| 资源消耗 |
4核CPU，计算占比平均约60%；8GB内存，使用占比约50%。 |
| 源码类型 |
本算法有Python版本源码，使用售卖方式三进行授权。 |
| 文件大小 |
算法程序文件32KB，权重文件256MB。 |
| 相关备注 |
算法在细粒度图像识别领域具有较高的准确率，适用于需要对高度相似子类图像进行识别的场景，鸟类识别、飞机型号识别和汽车型号识别等。 |
