摘要
细粒度视觉分类（Fine-Grained Visual Classification, FGVC）任务旨在解决类别间差异极小的分类问题，例如区分不同鸟类物种或汽车型号。当前最先进的方法通常通过在标准卷积神经网络（CNN）中集成复杂的注意力机制或（部分）定位方法来应对这一挑战。本文同样致力于提升骨干网络（如ResNet）的性能，通过引入三个专为FGVC任务设计的高效且轻量级组件实现。这三个组件分别为：全局k-最大池化（global k-max pooling）、通过优化类别均值进行训练的判别性嵌入层，以及仅需类别标签即可训练的高效边界框估计器。实验结果表明，所提出的模型在Stanford Cars和FGVC-Aircraft两个数据集上均取得了新的最先进识别准确率。