摘要
尽管在细粒度视觉分类（Fine-Grained Visual Classification, FGVC）任务上已取得显著进展，严重的过拟合问题仍然制约着模型的泛化能力。近期研究表明，训练集中的困难样本（hard samples）容易被模型拟合，但大多数现有FGVC方法在测试集上仍难以正确分类部分困难样本。其根本原因在于：模型在训练过程中对训练集中的困难样本产生了过拟合，却未能学习到对未见样本的泛化能力。为此，本文提出一种适度困难样本调制（Moderate Hard Example Modulation, MHEM）策略，旨在对困难样本进行合理调控，以防止模型过度拟合，从而提升模型的泛化性能与判别能力。具体而言，本文首先提出三个关键条件，并构建了一种通用形式的调制损失函数。随后，基于该框架实例化损失函数，构建了一个强大的FGVC基准模型，使得基础骨干网络（naive backbone）的性能显著提升，达到与当前先进方法相媲美的水平。此外，本文进一步证明，所提出的基准模型可无缝集成至现有方法中，有效增强这些方法的判别能力。在三个典型的FGVC数据集——CUB-200-2011、Stanford Cars和FGVC-Aircraft上，结合该强基准模型后，均实现了稳定且一致的性能提升。我们期望“适度困难样本调制”这一思想能够为未来细粒度视觉识别研究提供新的思路，推动更高效、更鲁棒的细粒度分类方法的发展。