该论文提出了一种基于语义部分定位的细粒度分类方法，并通过利用深度卷积特征来克服对象检测困难，同时学习整个对象和零散对象部分的检测器和他们之间的几何约束，从而预测一个细粒度的类别。该方法在不需要在测试时提供包围盒的情况下，通过对 Caltech-UCSD Bird 数据集的实验证明其优于现有细粒度分类方法。

Jul, 2014

本文提出了一种新颖的端到端 Mask-CNN 模型，旨在解决细粒度图像识别中的挑战，这个模型基于细粒度图像的部件注释，通过卷积网络定位亚区别的部件并生成对象 / 部件掩模，实现对有用和有意义的卷积描述符的选择并聚合在一起，此模型相对于现有最先进的细粒度方法具有参数最少、特征维度最低和最高的识别准确性。

May, 2016

针对少样本、细粒度分类任务，提出使用姿态归一化表示方法，并通过实验证明，该方法可以较小幅度地增加模型能力，在浅层和深度网络结构下将准确率提高 10 到 20 个百分点，具有更好的泛化性能，并且适用于多种 few-shot 算法和网络架构。

Apr, 2020

本文提出了一种基于全卷积注意力网络（FCANs）的强化学习框架，用于优化细粒度识别中的局部区域，并避免耗费昂贵的部件注释和定义困难的细粒度类别，该方法在包括 CUB-200-2011、斯坦福狗、斯坦福汽车和 Food-101 等四个基准数据集上得到了证明。

Mar, 2016

提出了一种基于图形的对象表示来消除姿态变化，实现自我监督的姿态对齐，同时还结合粗到细的监督和浅到深的子网络的提议的姿态不敏感限制，以逐步学习的方式鼓励网络产生区分性特征，已成功应用于三项流行的细粒度物体分类基准中，达到了最先进水平。

Mar, 2022

该研究提出了一种弱监督的部件检测网络（PartNet），能够检测出细粒度分类所使用的具有辨别力的局部部分，在 CUB-200-2011 和 Oxford Flower 102 数据集上实现了最新的最高性能。

Jun, 2018

本文提出了一种基于预训练卷积神经网络的物体部位发现和定位方法 PDD，通过分析网络输出的梯度映射并找到与语义部分或边界框有空间关系的激活中心，实现对 CUB200-2011 数据集进行优秀的监测和分类性能，同时不需要在测试期间给定边界框或计算真假部分。

Nov, 2014

本文提出利用无监督学习的方法发现物体的不同部位，通过神经网络构建特征并实现物体识别和部位检测。

Dec, 2020

本文提出了一种结合基于部分模型和深度学习的姿势归一化卷积神经网络方法，以有效地从人物图片中推断人的属性，包括性别、发型、衣着风格、表情和动作，并且在限制条件下，该方法比目前最佳的基于部分模型和全身边框的 CNN 训练方法表现更好。

Nov, 2013

该研究提出了基于深度卷积去卷积模型的鲁棒人体姿态估计方法，通过多尺度的上下文监督和全局回归的方式增强模型的姿态鲁棒性，并在 MPII 和 FLIC 数据集上展示了具有竞争力的性能。

Aug, 2018