摘要

细粒度视觉分类（Fine-Grained Visual Classification, FGVC）面临的一个主要挑战是如何在类别间高度相似的情况下，通过学习能够区分细微差异的特征来准确区分各类别。传统的基于交叉熵损失训练的卷积神经网络（Convolutional Neural Network, CNN）难以应对这一挑战，因其容易生成类别间不变的特征表示，从而削弱分类性能。在本工作中，我们从信息论的角度出发，创新性地提出通过强制各类别特征具有唯一性来正则化CNN的训练过程。为实现该目标，我们构建了一种基于博弈论框架的极小极大损失（minimax loss），并证明该损失函数的纳什均衡（Nash equilibrium）与所提出的正则化目标一致。此外，为防止极小极大损失的可行解导致冗余特征的产生，我们进一步提出一种特征冗余损失（Feature Redundancy Loss, FRL），该损失基于所选特征图对之间的归一化内积，用以补充并优化所提出的极小极大损失。在多个具有影响力的基准数据集上的实验结果表明，所提方法在不引入额外计算开销的前提下，显著提升了基线模型的性能，并达到了与当前最优模型相当的分类效果。可视化分析进一步验证了所学特征在区分细粒度差异方面的有效性。