成对混淆在细粒度视觉分类中的应用

细粒度视觉分类（FGVC）数据集包含较小的样本量，同时存在显著的类内变异和类间相似性。尽管先前的研究已经通过定位和分割技术解决了类内变异问题，但类间相似性也可能影响特征学习并降低分类性能。在本研究中，我们提出了一种新的优化方法，用于端到端神经网络在FGVC任务上的训练。该方法称为成对混淆（Pairwise Confusion, PC），通过有意引入激活层中的混淆来减少过拟合。借助PC正则化，我们在六个最常用的FGVC数据集上取得了最先进的性能，并展示了改进的定位能力。成对混淆（PC）易于实现，在训练过程中不需要过多的超参数调整，并且在测试时不会增加显著的计算开销。