要約
判別的特徴の抽出は、細粒度視覚分類タスクにおいて重要な役割を果たす。既存の大多数の手法は、この目的を達成するために注目メカニズムや増強機構の開発に注力している。しかし、上位k個の予測クラスにおける曖昧性に対処する点については十分に検討されていない。本論文では、画像の表現と上位k個の予測クラスの情報を同時に活用して分類結果を再評価する「自己評価分類器（Self Assessment Classifier）」を提案する。本手法は、粗粒度および細粒度の分類器を用いた継続的学習のアイデアに着想を得ており、バックボーンにおける特徴の判別力を高めるとともに、画像上の情報量の多い領域を示す注目マップを生成することを可能にする。実際の応用では、本手法は補助ブランチとして動作し、異なるアーキテクチャに容易に統合できる。上位k個の予測クラスにおける曖昧性を効果的に解消することで、CUB200-2011、Stanford Dog、FGVC Aircraftの各データセットにおいて、新しい最先端（SOTA）の性能を達成したことを示す。さらに、統一された設定下で、既存のさまざまな細粒度分類器の精度を一貫して向上させることも示した。