跨图像相关学习细粒度模型

准确率超SOTA 7.51%

通过连接跨图像对应图像块并引入排序损失，该模型捕获语义丰富的局部特征，同时以轻量融合模块动态平衡全局与局部特征，在多个基准上实现更高精度且参数更少。

Hongxing, You · 汪洋涛 · Li, Xiaocui · Xie, Yanzhao · Da, Chen · 张新宇 · 张文生

Information Fusion 2026

参数信息

准确率提升

7.51 %

参数量减少

4.42 M

技术优势

跨图像关联

通过连接不同图像中空间对应的图像块构建图，跨图像交互使模型捕获语义丰富的局部特征，不再受限于单张图像内部的信息。

排序损失提升判别

引入排序损失显式约束相似类别间特征判别性，弥补传统分类损失仅最大化单样本置信度的不足。

应用场景

• 细粒度视觉识别：在相似细粒度类别上显著提升识别精度，可直接替换现有骨干网络。
• 边缘端推理：低参数和低FLOPs适合资源受限设备，实现高精度边缘推理。
• 工业视觉检测：精确区分外观相近的缺陷或部件，提升检测的细粒度可靠性。
• 无人机航拍识别：在航拍图像中捕获跨图像上下文，增强细粒度识别能力。