几何引导的自监督学习用于数据受限下的超细粒度识别
计算机视觉与模式识别
2026-04-22 v1
摘要
本文研究了高度相似物体的内在几何特征，并引入了一个通用的自监督框架，称为几何属性探索网络(GAEor)，旨在解决数据受限场景下的超细粒度视觉分类(Ultra-FGVC)任务。与以往通常捕捉细微但关键区别的工作不同，GAEor生成几何属性作为新颖的替代识别线索。这些属性由物体内的各种细节决定，并与其几何模式对齐，例如大豆叶片中复杂的叶脉结构。关键在于，每个类别都展现出独特的几何描述符，即使在视觉变化极小的物体之间也能作为强有力的线索——这一因素在近期研究中很大程度上被忽视了。GAEor通过首先经由骨干网络的视觉反馈放大与几何相关的细节，然后将这些细节的相对极坐标嵌入到最终表示中，从而发现这些几何属性。大量实验表明，GAEor在五个广泛使用的Ultra-FGVC基准测试中显著创下了新的最先进水平。
引用
@article{arxiv.2604.19345,
title = {Geometry-Guided Self-Supervision for Ultra-Fine-Grained Recognition with Limited Data},
author = {Shijie Wang and Yadan Luo and Zijian Wang and Haojie Li and Zi Huang and Mahsa Baktashmotlagh},
journal= {arXiv preprint arXiv:2604.19345},
year = {2026}
}