细粒度图像分类又被称作子类别图像分类,是近年来计算机视觉领域一个研究热点,其目的是对粗粒度的大类别进行更加细致的子类划分。细粒度图像的类别精度更加细致,类间差异更加细微,往往只能借助于微小的局部差异才能区分出不同类别。本文应用注意力与深度学习相结合的细粒度图像分类模型,主要工作有以下两点:1)应用基于通道注意力的细粒度图像分类算法,针对细粒度图像分类任务存在目标的高判别区域不易受到过多关注,而且易受背景外界因素影响。通过分析注意力机制的产生形式,利用自顶向下的注意力,根据图像物体级标注信息让卷积神经网络有预定目的和任务的聚焦于某一对象。该方法首先利用注意力网络提取图像的高级特征;然后利用区域建议网络对图像目标进行定位;最后利用Fast R-CNN网络对目标进行分类和回归。实验结果在CUB-200-2011数据集和Stanford Dogs数据集分别获得77.58%和83.26%的分类准确率。2)应用弱监督两级注意力的细粒度图像分类算法,针对细粒度图像分类任务存在需要使用大量人工标注成本的问题,应用基于弱监督两级注意力的细粒度图像分类方法。该方法首先在物体级注意力模型上利用R-CNN方法和全局平均池化方法用于筛选和定位图像的显著性区域,学习对象特征;然后在部分级注意力模型上利用基于神经网络的谱聚类模式对齐方式学习目标的细微和局部特征;最后将利用分类网络,结合目标的整体与局部两部分信息,经过叠加得到最终的分类结果。该方法与其它方法在CUB-200-2011数据集上对比,取得87%的分类准确率。