细粒度识别：刻画相似类别间的细微差异

细粒度识别任务的主要要求是关注使从属类别彼此区分的细微判别性细节。我们注意到，现有方法隐式地满足这一要求，并将其交由数据驱动的流程去自行发现是什么使一个从属类别区别于其他类别。这导致了两个主要局限：第一，网络聚焦于类别间最显著的差异，而忽略了更细微的类间变化。第二，给定样本被误分类到任一负类的概率被视为相等，而实际上混淆通常只发生在最相似的类别之间。在此，我们提出显式地迫使网络去发现密切相关类别间的细微差异。为此，我们引入了两个可轻松插入现有端到端深度学习流程的关键新模块。一方面，我们引入多样化块，其对输入的最显著特征进行掩码，以迫使网络利用更细微的线索进行正确分类。同时，我们引入一种梯度提升损失函数，其仅关注每个样本的易混淆类别，从而沿损失面上旨在消除这些歧义的方向快速推进。这两个模块间的协同作用有助于网络学习更有效的特征表示。我们在五个具有挑战性的数据集上进行了全面实验。在相同的实验设置下，我们的方法在所有五个数据集上均优于现有方法。