【第五章:计算机视觉-项目实战之图像分类实战】1.经典卷积神经网络模型Backbone与图像-(7)细粒度分类理论
第五章：计算机视觉（Computer Vision）-项目实战之图像分类
第一部分：经典卷积神经网络模型 Backbone 与图像
第七节：细粒度分类理论
1. 什么是细粒度分类？
细粒度分类（Fine-grained Image Classification, FGIC）是图像分类中的一个重要分支，它的目标是：
在同一大类的图像中，区分更加精细的子类别。
例如：
粗粒度分类：区分“猫 vs 狗 vs 鸟”
细粒度分类：在“鸟”这一大类中，进一步区分“麻雀、翠鸟、鹰、鸽子”等具体物种
这类任务的难点在于：
类间差异（不同类别之间的区别）非常小
类内差异（同一类别内部的差别）可能很大（如同一物种的鸟，姿态、光照、拍摄角度不同）
2. 细粒度分类的挑战
高相似度类别之间的区分困难
例如两种外观非常相似的鸟类，仅仅是羽毛颜色有细微不同。
类内差异大
同一类别的对象可能由于 姿态变化、背景复杂、光照条件 而显得差异巨大。
数据标注困难
细粒度分类需要专家级标注（如鸟类学家），标注成本高。
局部细节的重要性
粗粒度分类依赖全局特征，而细粒度分类往往需要关注关键部位（如鸟的喙、翅膀，汽车的车灯、轮毂）。
3. 细粒度分类的研究思路
细粒度分类的研究通常围绕以下方向：
（1）基于局部区域的注意力机制
利用注意力机制（Attention）或局部检测，定位关键部位（如鸟喙、翅膀），提升辨别力。
常见方法：Part-based R-CNN、Attention Map
（2）基于层次化分类
先进行粗粒度分类（如鸟 vs 狗），再在细分大类下进行子类分类（如麻雀 vs 燕子）。
树状层次结构能减少类别混淆。
（3）基于特征增强与对比学习
使用对比学习（Contrastive Learning）区分相似类别。
通过特征增强（Feature Enhancement）提升模型在细微差异上的敏感度。
（4）基于 Transformer 的全局建模
Vision Transformer（ViT）与 Swin Transformer 等结构更擅长全局建模，能结合 局部细节 + 全局上下文 提升细粒度分类性能。
4. 典型数据集
细粒度分类常用的数据集包括：
CUB-200-2011：鸟类数据集，包含 200 种鸟类，约 12k 张图片
Stanford Dogs：120 种狗的细粒度分类，约 20k 张图片
Stanford Cars：196 种车型，约 16k 张图片
FGVC-Aircraft：100 种飞机，约 10k 张图片
这些数据集通常类别数量多，样本量有限，难度较高。
5. 评估指标
细粒度分类任务与一般图像分类相同，常用指标包括：
Top-1 准确率（Accuracy）
Top-5 准确率（Top-5 Accuracy）
在小样本学习（Few-shot Learning）任务中，还会使用 平均类别准确率（Mean Class Accuracy, MCA）
6. 应用场景
自然科学研究：鸟类、植物、昆虫等物种识别
工业检测：区分不同型号、批次的零部件
医疗图像：细分病灶类型（如不同类型的皮肤病）
电商与推荐：商品的精细化分类（如不同款式的鞋子）
7. 小结
细粒度分类是图像分类的深化任务，核心挑战是 类间相似度高、类内差异大
研究主要围绕 关键区域定位、层次化分类、特征增强、Transformer 建模
广泛应用于科学研究、工业检测、医疗诊断等领域