论文标题：Re-rank Coarse Classification with Local Region Enhanced Features for Fine-Grained Image Recognition 论文链接：https://arxiv.org/abs/2102.09875 作者单位：字节跳动AI Lab 可通过re-ranking同时使用全局和局部特征，表现SOTA！性能优于StackedLSTM、CS-Parts等网络。

由于难以同时捕获语义全局特征和鉴别性局部特征，因此细粒度的图像识别非常具有挑战性。同时，这两个功能不易于集成，当同时使用时甚至会冲突。本文提出了一种基于检索的粗到细框架，在该框架中，我们通过使用局部区域增强的嵌入特征对TopN分类结果进行重新排序，以提高Top1的准确性（基于观察到通常存在正确类别的观察结果）在TopN结果中）。为了获得区分细粒度图像的区分区域，我们引入了一种弱监督方法来训练仅具有图像级标签的盒子生成分支。此外，为了学习更有效的语义全局特征，我们在自动构建的层次结构类别结构上设计了多级损失。实验结果表明，我们的方法在三个基准上获得了最先进的性能：CUB-200-2011，斯坦福汽车和FGVC飞机。此外，还提供了可视化和分析功能以便更好地理解。

内容中包含的图片若涉及版权问题，请及时与我们联系删除