细粒度图像分类 算法评价指标 细粒度图像分类2020

解决细粒度图像分类问题的关键是寻找与细微视觉特征相对应的识别区域和局部区域。当前已有许多网络结构在挖掘局部特征上取得了极大的进展，一般来说都是通过设计复杂的网络结构来学习这些特征表示。

在这篇论文中，作者提出了一种Mutual-Channel损失函数解决细粒度的分类的问题，不需要过于复杂的网络设计或训练机制。该方法关注研究各个特性通道，将不同通道(channel)的特征进行区分，并通过损失函数制约它们的分布。

Mutual-Channel损失函数由两个特定分量组成：一个鉴别分量和一个多样性分量。判别分量通过一种通道注意机制，迫使属于同一类的所有特征通道具有判别性。多样性分量约束所有属于同一类别的特征通道在空间维度上变得互斥，即关注不同的局部区域。最终结果是每个类别拥有一组特征通道，该组中的每个通道反映特定类的不同局部鉴别区域。

MC损失可以进行端到端的训练，不需要任何边界框/部分注释，并且在推理过程中产生高度的区分区域。实验结果表明，mc损失在公共基础网络之上实现时，可以在所有四个细粒度分类数据集(幼鸟、FGVC-飞机、Flowers-102和斯坦福-CARS)上实现最先进的性能。在两种不同的基本网络上，与最近提出的用于视觉分类的通用损失相比，消融研究进一步证明了MC损失的优越性。