摘要
细粒度分类模型通常在类内方差较大而类间方差较小时，能够明确聚焦于有助于区分高度相似类别的关键细节。大多数此类模型通过使用部件标注（如边界框、位置信息或文本属性）来提升分类性能；另一些模型则采用复杂技术自动提取注意力图以增强特征表达。我们假设，基于部件的方法作为自动裁剪手段，容易丢失局部特征的完整表示，而这些局部特征对于区分相似物体至关重要。相比之下，人类在识别物体时不仅关注细节，还倾向于建立语义关联。本文提出一种新型端到端深度神经网络模型——EnGraf-Net，利用结构化的语义关联（以层级分类体系，即分类学taxonomy形式）作为监督信号。在Cifar-100、CUB-200-2011和FGVC-Aircraft三个知名数据集上的大量实验表明，EnGraf-Net在性能上显著优于多种现有细粒度分类模型，并且在不依赖任何裁剪技术或人工标注的情况下，其表现与当前最先进的模型相当。