GFT：梯度焦点变换器

细粒度图像分类（Fine-Grained Image Classification, FGIC）是计算机视觉中的复杂任务，需模型区分具有细微局部视觉差异的类别。已研究的基于卷积神经网络（CNN）的模型虽在局部特征提取方面表现强劲，却常难以捕获细粒度识别所需的全局上下文信息；而更近期基于ViT（Vision Transformer）的模型则通过注意力机制解决FGIC问题，但缺乏对真正判别性区域的自适应聚焦能力。TransFG 等基于ViT的扩展方法引入了基于部件的token选择以增强注意力局部化，但仍面临计算效率、注意力区域选择灵活性以及在复杂环境下的细节聚焦叙事等挑战。本文引入GFT（Gradient Focal Transformer），一个为FGIC任务量身定制的新型ViT衍生框架。GFT集成了梯度注意力学习对齐（Gradient Attention Learning Alignment, GALA）机制，通过分析注意力梯度流动态优先级选取具有判别性的特征；同时搭配渐进式patch选择（Progressive Patch Selection, PPS）策略，逐步过滤信息不足的区域，减少计算负担，同时增强对细节的敏感性。GFT在FGVC Aircraft、Food-101和COCO数据集上实现SOTA准确率，参数量为9300万，超越基于ViT的先进FGIC模型在效率方面表现更佳。通过桥接全局上下文与局部细节提取，GFT在细粒度识别领域树立了新的基准，为实际部署场景提供可解释性解决方案。