【论文源码实战】NTS-Net模型：自监督机制实现细粒度分类

前言

NTS-Net（Neural Task Scheduler Network）是一种针对多任务学习设计的深度学习模型，它特别适用于细粒度分类任务，这类任务涉及到将目标划分为大量细微差别的类别。例如，在动物分类中区分不同品种的鸟类或犬类。细粒度分类由于类别间的相似性较高，因此对特征提取和区分能力要求很高。

一、环境配置

创建专属环境

conda create -n ntsnet python=3.9

激活环境

conda activate ntsnet

安装 Pytorch GPU 环境

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple "torch-1.13.0+cu116-cp39-cp39-win_amd64.whl"

pip install "torchvision-0.14.1+cu117-cp37-cp37m-win_amd64.whl" -i https://pypi.tuna.tsinghua.edu.cn/simple

二、代码测试

数据集

使用的数据集是 Stanford Dogs Dataset

超过20000张120种狗的图片，斯坦福狗数据集包含了来自世界各地的120种狗的图片。此数据集是使用ImageNet中的图像和注释构建的，用于细粒度图像分类任务。它最初是为精细纹理图像分类而收集的，这是一个具有挑战性的问题，因为某些狗的特征几乎相同，或者颜色和年龄不同。

●类别数量：120

●图像数量：20580

●标注：类标签、边界框

划分数据集

def split_data(split_path):
    f_train = open(split_path + "/train.txt", "w", encoding="utf-8")
    f_val = open(split_path + "/val.txt", "w", encoding="utf-8")
    f_label = open(split_path + "/label.txt", "w", encoding="utf-8")

    for name in tqdm(os.listdir(os.path.join(split_path, 'images')), desc="process data",
                     total=len(os.listdir(os.path.join(split_path, 'images')))):
        file = [os.path.joi