摘要

我们旨在将细粒度识别问题的空间划分为若干特定区域。为此，我们提出了一种基于专家混合（Mixture of Experts）的统一框架。由于细粒度识别任务可用数据有限，采用数据划分策略训练多样化专家不可行。为解决这一问题，我们结合渐进式增强学习策略与基于KL散度（Kullback-Leibler Divergence）的约束机制，以促进专家之间的多样性。该策略利用先前专家提供的先验知识，在数据集上逐步学习新的专家，并将其顺序加入模型；同时，引入的KL散度约束迫使各专家生成差异化的预测分布。上述机制促使专家从不同角度学习任务，从而在不同的子空间问题上实现专业化。实验结果表明，所提出的模型显著提升了分类性能，并在多个细粒度识别基准数据集上达到了当前最优水平。