细粒度视觉分类的成对混淆

细粒度视觉分类（Fine-Grained Visual Classification, FGVC）数据集包含小样本量，以及显著的类内差异和类间相似性。虽然先前工作已使用定位与分割技术解决类内差异，但类间相似性也可能影响特征学习并降低分类性能。在本工作中，我们针对此问题，在 FGVC 任务上采用一种用于端到端神经网络训练的新颖优化过程。我们的过程称为成对混淆（Pairwise Confusion, PC），通过在激活中故意引入混淆来减少过拟合。借助 PC 正则化，我们在六个最广泛使用的 FGVC 数据集上取得了最先进的性能，并展示了提升的定位能力。PC 易于实现，训练期间无需过度超参数调优，且在测试时不会增加显著开销。