本文分析了在细粒度文本分类任务情感分类和情感分析中预训练语言模型的对比微调。适应性嵌入类关系的对比目标函数可以有助于不同地权衡正面和负面情感，使得 Label-aware Contrastive Loss 在更多混淆类别的情况下表现更好。

Sep, 2021

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

本文提出了一种多任务学习框架，同时优化分类和相似性约束，将标签结构（如层次结构或共享属性）嵌入到框架中以建模多级相关性，从而实现精细的特征表示，并在细粒度数据集上得到了非常竞争的性能。

Dec, 2015

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

本研究探讨了细粒度领域适应的概念并提出了基于属性的多任务适应损失来解决现有细粒度目标识别模型无法准确分类野外图像的问题，通过在一组新的细粒度数据集上的实验证明了该算法可以显著提高准确性。

Sep, 2017

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

本文从层次知识入手，进行细粒度分类实验，验证模型在此类型下的稳健性，并通过其他方法解释和评估模型的错误分类行为。

Mar, 2023

我们基于自监督学习开发了细粒度分类和分割任务的表示优化技术，通过识别部分特异变化改进了 fine-grained 分类，在卷积和视觉变换网络中聚类像素表示，利用部分中心化学习和对比在图像中对部分进行聚类，并在多个数据集上展示了在图像分类和部分分割任务上的性能提升。

Sep, 2023

为了解决有限样本数据情况下对细粒度视觉识别任务的困难，我们提出了一种新的方法，称为细节增强扩散模型（DRDM），通过两个关键组成部分 —— 有辨别力的语义重组（DSR）和空间知识引用（SKR），有效地利用大型模型的知识来解决数据稀缺性问题，并在细粒度视觉识别任务中取得了改进的性能。

Sep, 2023

在细粒度视觉分类任务中，提出了一种名为 “类别中心探索” 的损失函数，通过多个类别中心的约束和类别中心标签生成，减小类内变异并扩大类间差异，同时利用类别中心分布生成软标签以缓解过拟合问题，显著提升细粒度视觉分类任务的性能。

Jul, 2024