张志林，李玉鑑,刘兆英，张 婷

(1.北京工业大学信息学部，北京 100124；2.桂林电子科技大学人工智能学院，广西 桂林 541004)

深度学习(deep learning)技术近些年来在图像处理的许多分支任务中取得卓越的性能和表现，特别是在2012年，由Hinton等[1]设计的著名的AlexNet网络，在大规模视觉识别挑战赛中首次取得超过人类识别准确率的优异成绩后，深度学习的发展自此迎来重要拐点，从此深度学习逐步开始应用到多个领域，并且深度学习模型及变体在多个领域均保持了最前沿水平(state of the art，SOTA).在经典的计算机图像处理研究任务中，图像识别的目标对象类别通常是粗粒度的大类别，如“狗”“水果”“鸟”.然而，细粒度图像识别(fine-grained image recognition，FGIR)则是针对同一大类别下的不同子类别给予识别，比如对不同子类别的“狗”的识别.

相对图像识别技术，细粒度识别的准确率还有较大的提升空间，事实上，细粒度识别任务的挑战性比较大，主要是由于来自不同子类的目标之间的零部件构成普遍相同，相同子类的各个零部件之间却又有丰富的多样性，这些因素导致机器很难准确识别这些目标图像的类别，甚至导致普通人类也很难辨别这些差异和多样性，只有通过丰富的专家知识才能够准确识别.

综合各方面因素发现，细粒度识别图像主要存在以下特点：1)细粒度类别之间存在大的类内差异和小的类间差异.如CUB数据集[2]中，同一种海鸥的姿势、背景和视角变换很大，不同种类的海鸥却又表现出高度的相似性，它们之间的差别只存在于某些细微的区域，如喙或者翅膀等；……