摘要

细粒度视觉分类（Fine-Grained Visual Categorization, FGVC）旨在区分粗粒度类别下的多个子类别。由于不同子类别之间存在细微的类间差异，FGVC任务具有较高的挑战性。现有方法主要聚焦于学习显著的视觉模式，却忽视了如何捕捉物体内部结构信息，导致难以获取物体内部完整的判别区域，从而限制了FGVC性能的提升。为解决上述问题，本文提出一种结构信息挖掘与面向物体的特征增强方法（Structure Information Mining and Object-aware Feature Enhancement, SIM-OFE），旨在探索视觉对象的内部结构组成及其外观特征。具体而言，我们首先提出一种简单而有效的混合感知注意力模块，通过全局与局部显著性分析实现对视觉对象的精准定位。随后，设计了一种结构信息挖掘模块，用于建模物体内部关键区域的分布特性及其上下文关系，从而突出整个物体及具有判别性的区域，以更好地区分细微差异。最后，提出一种面向物体的特征增强模块，以注意力耦合的方式融合全局与局部判别性特征，构建强大的细粒度识别视觉表征。在三个主流FGVC基准数据集上的大量实验表明，所提出的SIM-OFE方法能够达到当前最优的性能水平，显著提升了细粒度视觉分类的准确率与鲁棒性。