RAMS-Trans：用于细粒度图像识别的循环注意力多尺度Transformer

在细粒度图像识别（Fine-Grained Image Recognition, FGIR）任务中，区域注意力的定位与增强是关键因素，这一问题已通过基于卷积神经网络（CNN）的方法得到了广泛研究。近年来，视觉Transformer（Vision Transformer, ViT）在计算机视觉任务中取得了令人瞩目的成果。与CNN相比，ViT采用图像序列化（image sequentialization）作为全新的处理范式。然而，由于其图像块（patch）尺寸固定，ViT在感受野大小上存在局限，难以像CNN那样有效捕捉局部注意力，也无法生成多尺度特征以学习具有判别性的区域注意力。为在无需边界框或部件标注的情况下，有效学习判别性区域注意力，本文利用ViT自身输出的注意力权重强度来衡量对应原始图像块的语义重要性。为此，我们提出了一种递归注意力多尺度Transformer（Recurrent Attention Multi-scale Transformer, RAMS-Trans），该模型通过Transformer的自注意力机制，以递归方式在多尺度层面学习判别性区域注意力。具体而言，本方法的核心是动态块提议模块（Dynamic Patch Proposal Module, DPPM），该模块通过引导区域注意力的逐步放大，实现多尺度图像块的有效融合。DPPM从全尺寸图像块出发，依据每一尺度下生成的注意力权重强度，自顶向下地迭代放大关注区域，逐步从全局到局部生成新的图像块。该过程无需额外标注，仅依赖ViT固有的注意力权重，且可实现端到端的联合训练。大量实验结果表明，RAMS-Trans在三个主流基准数据集上均取得了当前最优（SOTA）性能，显著优于现有同类方法，包括高效CNN模型，充分验证了其在细粒度图像识别任务中的有效性与优越性。