摘要
车辆细粒度分类是一个研究难度较大但长期未受到足够关注的问题。本文提出了一种无需依赖部件标注或三维边界框标注的深度网络架构，用于实现车辆细粒度分类。我们引入了共现层（Co-occurrence Layer, COOC）以实现无监督的部件发现。此外，采用两步式训练策略，结合迁移学习与微调机制，使模型能够在部分网络层中使用ImageNet预训练权重进行初始化，而在其他层中采用随机初始化，从而更有效地优化模型性能。实验结果表明，所提方法在BoxCars116K数据集上的分类准确率达到86.5%，相较于现有最先进方法提升了4%。在CompCars数据集上，无论采用70-30还是50-50的训练-测试划分方式，均取得了95.5%和93.19%的准确率，分别超越其他方法4.5%和8%。