细粒度分类

细粒度分类方法主要分为四类:
1）基于常规图像分类的网络的微调方法
2）基于细粒度特征学习的方法
3）基于目标块的检测和对齐的方法
4）基于视觉注意机制的方法

1）常规分类模型并不能很好的区分细粒度图像，常用的方法是采用迁移学习，将ImageNet的预训练过的网络权重进行微调，另外还有对loss进行改进，例如使用triplet loss


2）基于细粒度特征学习的方法
Bilinear CNN ，采用VGG-D和VGG-M作为基准网络，不使用bounding Box的情况下，CUB200-2011精度84.1%


fA:fB 分别提取的特征纬度为KM与KN

3）基于目标块检测的方法
方法思路：先在图像中检测出目标所在位置，再检测出目标中有区分性的区域位置，再将目标图像及区分性的目标区域块同时送入CNN分类，需要bounding box，关键特征点信息。

4）基于视觉注意机制

不需要标注信息，并且能够得到比较高的准确率。
细粒度分类的方法都是获取到图像中具有区分性区域，完成分类。

19年之前主流细粒度分类方法如下：

5）WS-DAN (Weakly Supervised Data Augmentation Network)
该模型创新点：
1.双线性注意力池化机制（Bilinear Attention Pooling ,BAP）
2.类center loss 注意力监督机制
3.基于注意力的数据增强

1.BAP

通过backbone 产生feature maps ，feature maps 经过1*1卷积降维得到attention maps ；feature maps 和attention maps 的element -wise 乘积产生局部 feature maps，通过conv 或 pool 提取局部特征；将feature maps 和 K 个 attention maps 进行element-wise 生成k个 part feature maps；再进行全局池化，得到M维向量，拼接生成特征P。

2.类center loss 注意力监督机制
为了使相同物体上同一部位的特征尽可能相似，类center loss：

ck可初始化为0 ，更新如下：
3.注意力的数据增强

根据attention maps Ak指导数据增强。Ak的归一化处理：

根据来去定截取进行数据增强的数据。