本文提出一种基于标签图和深度学习的结构化模型，采用新型的堆叠式标签预测神经网络，并利用不同概念层次的标签关系来提高图像分类性能，在基准图像数据集上验证了该方法的有效性。

Nov, 2015

通过最近邻分类器目标和自监督学习的实例损失，结合粗标签和潜在细粒度空间，学习细粒度表示来提高图像检索的精度，从而在 iNaturalist-2018 等五个公共基准上建立了新的最先进技术。

Nov, 2020

本文提出了一种基于深度卷积神经网络的学习系统，该系统对视觉相似的类别进行聚类，并学习针对每个子集的特定深度卷积神经网络特征，在测试时不需要边界框。在流行的 Caltech-UCSD 鸟类数据集上，实验证明该方法优于最近的细粒度分类方法，无需边界框，在最困难的情况下达到了 77.5% 的平均准确率，而先前的最佳表现为 73.2%。本文还表明，渐进式迁移学习使我们能够先学习通用领域的特征，然后将其调整到特定的鸟类集合中，从而提高准确性。

May, 2015

使用高分辨率图像分类和卷积超分辨率技术相结合的方法，提出了一种用于解决低分辨率图像细节问题的端到端的深度模型，并在 Stanford Cars 和 Caltech-UCSD Birds 200-2011 数据集上进行了广泛的实验，结果表明该模型在低分辨率图像中能更好地分类细分类别。

Mar, 2017

本文提出了一个知识图谱和门控图神经网络相结合的框架，名为知识嵌入表示学习框架，用于处理细粒度图像识别问题，并在广泛使用的 Caltech-UCSD 鸟数据集上进行了大量实验，证明了该框架超越现有的最先进方法。

Jul, 2018

本研究提出了一种算法，在仅有粗糙分类标签的情况下，学习目标任务的细粒度模式并获得理论保证，实验表明该方法可以显着提高在目标任务上的表现。

May, 2020

本文介绍了一种使用语义嵌入深度神经网络，采用基于空间感知语义特征和通道注意力模型的方法来提高多标签预测模型性能的方法。实验证明，与基线方法相比，该方法平均相对改进 15.27％，在 Instagram 时尚服装图像上进行了多标签时尚属性分类的核心实验和消融研究，并将模型性能与我们的方法进行比较，发现我们的方法性能更优秀。

May, 2023

本文提出了一种新颖的方法来增强卷积神经网络（CNN）的可辨别性，通过建立一个树状结构来逐步学习精细的特征，以区分一部分类别。我们开发了一种新算法，有效地从大量类别中学习树结构。实验表明，我们的方法可以提高给定基本 CNN 模型的性能，且具有一般性，因此可以潜在地与许多其他深度学习模型结合使用。

Nov, 2015

通过大量实验，我们发现将定制标签应用于 CNN 训练可以显著提高分类精度，优化和泛化能力，并且可以提高 CNN 训练的数据效率。提出了一种度量标准来描述细粒度标签的有效性，并通过大量实验进行了演示。

Jan, 2019

通过特征级别的数据增强和协方差预测网络，我们提出了一种改善细粒度图像识别的方法，可以有效区分细分类别，提高泛化性能。

Sep, 2023