司学飞，张起贵

（太原理工大学信息与计算机学院，山西晋中 030600）

细粒度视觉分类（FGVC）任务着重于将对象的子类别与同一类别区分开，例如鸟类、汽车和飞机模型。由于高级图像识别、智能农业技术、智能零售和智能交通等的广泛应用，近来FGVC 引起了广泛的关注。与传统的图像分类任务不同，FGVC 极具挑战性，仅靠最新的粗粒度卷积神经网络（CNN），例如VGG、ResNet 和Inception，很难获得准确的分类结果。正如最近的研究表明，FGVC 的关键步骤是在多个对象部位中提取更具区分性的局部特征。但是，很难定义对象的各个部分，并且各个对象之间的差异也很大。此外，标记这些对象的零件需要额外的人工费用。在这项工作中，文中利用弱监督学习，仅通过图像级注释来定位对象的区别性部位。文中不是关注区域边界框，而是通过卷积生成的注意力图来表示对象的部分或视觉模式。文中还提出利用双线性注意力模型和以对抗数据扩充为导向的数据增强方法来增强注意力集中过程。与其他本地化模型相比，该模型可以更轻松地定位大量对象部位（超过20 个），从而获得更好的性能。此外，还提出联合优化方法解决因自然图像的长尾分布[1]而导致的训练问题。

1 相关工作

1.1 细粒度视觉分类

细粒度视觉分类一直是计算机视觉领域研究的热门话题之一。为了解决大规模图像分类问题，提出了卷积神经网络（CNN）。但是经过研究发现，这些基本模型只能实现中等性能，如果没有特殊设计，其很难集中精力于目标部位的细微差别。……