面向细粒度视觉分类的跨层次双向一致性学习
计算机视觉与模式识别
2025-04-21 v1
摘要
细粒度视觉分类旨在对 closely related subclasses 进行分类，这一任务因类间差异微小且类内差异显著而复杂。现有方法常依赖额外的图像分类注释，忽略了表明层次标签关系的 Tree Hierarchies 中所蕴含的宝贵信息。为充分利用这一知识以提高分类精度和一致性，我们提出一种 novel 的 Cross-Hierarchical Bidirectional Consistency Learning（CHBC）框架。CHBC 框架通过设计的模块在 various hierarchies 中提取判别性特征，分解并增强注意力掩码和特征。我们采用双向一致性损失来调节不同层次间的分类结果，确保标签预测一致性并减少误分类。在三组广泛使用的 FGVC 数据集上的实验验证了 CHBC 框架的有效性。消融研究进一步探讨了特征增强和一致性约束的应用策略，凸显了所提模块的重要贡献。
引用
@article{arxiv.2504.13608,
title = {Cross-Hierarchical Bidirectional Consistency Learning for Fine-Grained Visual Classification},
author = {Pengxiang Gao and Yihao Liang and Yanzhi Song and Zhouwang Yang},
journal= {arXiv preprint arXiv:2504.13608},
year = {2025}
}