EnGraf-Net：基于多粒度分支网络的细粒度分类方法
计算机视觉与模式识别
2025-09-26 v1 人工智能
摘要
细粒度分类模型旨在聚焦于区分高度相似类别所必需的相关细节，尤其在类内差异大、类间差异小的情况下效果更为突出。大多数现有模型依赖部件标注（如边界框、部件位置或文本属性）来提升分类性能，或采用复杂技术自动提取注意力图。我们认为，基于部件的方法（包括自动裁剪技术）在表示局部特征时存在不完整的问题，而这些特征是区分相似物体的根本。尽管细粒度分类旨在识别层级结构中的树叶节点，人类仍通过形成语义关联来识别物体。本文我们利用结构化的语义关联（即层级分类学）作为监督信号，构建一种端到端深度神经网络模型，称为EnGraf-Net。针对CIFAR-100、CUB-200-2011和FGVC-Aircraft等三个广为人知的数据集进行大量实验，结果表明EnGraf-Net在许多现有细粒度模型中表现优异，与最新的最先进方法性能相当，且无需裁剪技术或手动标注。
引用
@article{arxiv.2509.21061,
title = {EnGraf-Net: Multiple Granularity Branch Network with Fine-Coarse Graft Grained for Classification Task},
author = {Riccardo La Grassa and Ignazio Gallo and Nicola Landro},
journal= {arXiv preprint arXiv:2509.21061},
year = {2025}
}
备注
8