细粒度识别：考虑相似类别之间的细微差异

细粒度识别任务的核心要求在于关注能够区分下位类别之间细微差别的关键特征。我们注意到，现有方法通常隐式地处理这一需求，将识别不同类别间差异的任务完全交由数据驱动的模型自行学习。这带来了两个主要局限：其一，网络倾向于关注类别间最显著的差异，而忽视了更为细微的类间变化；其二，模型在判断某一样本是否属于某一负类时，假设所有负类的误分类概率相等，而事实上，混淆现象通常仅发生在最相似的类别之间。为此，我们提出一种显式机制，强制网络去捕捉密切相关的下位类别之间的细微差异。在此目标下，我们引入两项关键创新，可轻松集成至现有的端到端深度学习框架中。一方面，我们设计了“多样化模块”（diversification block），通过掩码输入样本中最显著的特征，迫使网络依赖更细微的线索进行正确分类；另一方面，我们提出一种梯度提升型损失函数（gradient-boosting loss），该函数仅针对每个样本的混淆类别进行优化，从而沿着损失曲面中能够有效解决分类模糊性的方向快速推进。这两项模块之间的协同作用，显著提升了网络学习更具判别性的特征表示能力。我们在五个具有挑战性的数据集上进行了全面实验。在与现有方法采用相同实验设置的对比中，我们的方法在全部五个数据集上均取得了更优的性能表现。