摘要
细粒度视觉分类（Fine-grained Visual Categorization, FGVC）旨在自动识别不同下位类别之间的细微差异对象。尽管该任务在学术界和工业界均受到广泛关注，但由于不同类别间存在细微的视觉差异，其仍是一项极具挑战性的任务。近年来，跨层特征聚合与跨图像成对学习方法在提升FGVC性能方面展现出显著优势，能够有效提取具有判别性的类别特定特征。然而，现有方法通常采用简单的聚合策略，难以充分挖掘跨层信息的潜在价值；同时，现有的成对学习方法也未能有效建模不同图像之间的长程交互关系。为解决上述问题，本文提出一种新型的对齐增强网络（Alignment Enhancement Network, AENet），包含两个层次的对齐机制：跨层对齐（Cross-layer Alignment, CLA）与跨图像对齐（Cross-image Alignment, CIA）。CLA模块旨在挖掘低层空间信息与高层语义信息之间的跨层关联，从而增强跨层特征聚合能力，提升输入图像的特征表示能力。进一步地，本文引入全新的CIA模块，生成对齐后的特征图，能够在整个空间区域内增强相关特征信息，同时抑制无关信息。本方法基于一个核心假设：当输入图像属于同一类别时，其对应的CIA模块输入应与输出的对齐特征图更加接近。据此，我们在每个CIA模块内部设计了语义亲和性损失（Semantic Affinity Loss），用于监督特征对齐过程。在四个具有挑战性的公开数据集上的实验结果表明，所提出的AENet在细粒度视觉分类任务中取得了当前最优的性能，显著超越了现有先进方法。