摘要
细粒度视觉分类（Fine-grained Visual Classification, FGVC）是一项具有挑战性的任务，其特点在于类间相似性高而类内差异大，具有广泛的应用前景。近年来，由于视觉Transformer（Vision Transformer, ViT）中的多头自注意力（Multi-head Self-attention, MSA）机制具有数据特异性，能够有效提取判别性特征表示，因此多项研究开始将ViT应用于FGVC任务。然而，现有方法多侧重于在高层层面整合特征依赖关系，导致模型易受低层背景信息的干扰。为解决这一问题，本文提出一种细粒度注意力定位视觉Transformer（Fine-grained Attention-locating Vision Transformer, FAL-ViT）以及一种注意力选择模块（Attention Selection Module, ASM）。首先，FAL-ViT采用两阶段框架，能够有效识别图像中的关键区域，并通过策略性地重用参数来增强特征表示。其次，ASM利用MSA机制固有的注意力得分，精准定位重要目标区域，结合位置映射策略提取更精细的低层特征，从而提供更加全面的信息。在多个公开数据集上的大量实验表明，FAL-ViT在分类性能上优于现有方法，充分验证了所提方法的有效性。相关源代码已开源，地址为：https://github.com/Yueting-Huang/FAL-ViT。