FGDCC: 细粒度深层聚类分类 -- 针对植物分类中类内变异问题的框架
人工智能
2025-12-24 v1
摘要
类内变异依据其在类内图像不相似程度的重要性程度进行衡量。从而，根据其强度，类内变异可能阻碍深度学习模型的学习过程，尤其是当这些类别也处于欠样本状态时，这在细粒度视觉分类 (FGVC) 任务中十分常见。本文提出了一种新方法，旨在通过学习类内聚类分配的分类特征来利用FGVC任务中的分类性能。我们的目标是对每个类别单独进行聚类，这可以允许发现编码图像间潜在相似度的伪标签。这些标签随后可用于分层分类过程，从而学习更细粒度的视觉特征，从而缓解类内变异问题。对PlantNet300k上的初始实验帮助我们阐明了若要找到该方法有效性更为确定性证据的若干关键问题。尽管其中一些组件尚未得到完全优化，但本方法仍在PlantNet300k数据集上实现了最先进的性能。我们的代码可在\href{https://github.com/ADAM-UEFS/FGDCC}{https://github.com/ADAM-UEFS/FGDCC}获取。
引用
@article{arxiv.2512.19960,
title = {FGDCC: Fine-Grained Deep Cluster Categorization -- A Framework for Intra-Class Variability Problems in Plant Classification},
author = {Luciano Araujo Dourado Filho and Rodrigo Tripodi Calumby},
journal= {arXiv preprint arXiv:2512.19960},
year = {2025}
}