摘要
在图1中，你看到的究竟是“火烈鸟”还是“鸟”，正是本文所探讨的核心问题。尽管细粒度视觉分类（Fine-Grained Visual Classification, FGVC）的目标是实现前者——精确到具体物种的识别，但对绝大多数非专业人员而言，“鸟”这一更宽泛的类别或许已足够。因此，真正的问题在于：如何根据不同专业水平的用户需求，灵活适配不同细粒度层级的分类定义？为此，我们重新构想了传统FGVC的任务设定：从单一标签分类，转变为自顶向下的、基于预定义的粗粒度到细粒度标签层级的遍历过程。这样一来，我们的分类结果便呈现出一个层次化推理路径：鸟 → 火烈鸟目（Phoenicopteriformes） → 火烈鸟科（Phoenicopteridae） → 火烈鸟（flamingo）。为应对这一新问题，我们首先开展了一项全面的人类实验，结果表明，无论参与者是否自认为是专家，绝大多数人都更偏好多粒度标签输出。在此基础上，我们发现了一个关键洞见：粗粒度标签的预测有助于增强细粒度特征的学习，而细粒度特征又能反过来提升粗粒度分类器的性能。基于这一发现，我们设计了一种结构简单却出人意料有效的解决方案：（i）采用针对不同层级的专用分类头，实现粗粒度特征与细粒度特征的有效解耦；（ii）允许细粒度特征参与粗粒度标签的预测过程，从而进一步促进特征解耦的优化。实验结果表明，该方法在新的层级化FGVC设定下表现优异，并在传统的单标签FGVC任务中也优于现有最先进方法。得益于其结构简洁，该方法可轻松集成至任何现有的FGVC框架之上，且无需引入额外参数，具有良好的通用性与实用性。