渐近式细粒度识别模型

分类准确率提升至少1.5%

集成子模块优化的自步学习策略，克服传统自步学习在面对困难样本时易陷入局部最优的缺陷，在多种骨干网络（包括Swin Transformer）上均取得稳定提升。

康彬 · 杜松林 · 梁栋 · 吴凡 · Li, Xin

Pattern Recognition 2024

参数信息

准确率提升

≥1.5 %

技术优势

不易陷入局部最优

子模块优化在每个训练轮次动态选择主动样本组，限制自步优化的搜索空间，从而避免传统自步学习在困难样本上的局部最优问题。

跨骨干通用

在多种网络骨干（包括 Swin Transformer）上均能取得至少 1.5% 的性能提升，说明方法不依赖于特定架构。

应用场景

• 视觉识别：用于细粒度图像分类任务，如鸟类、车型识别，提升识别精度。
• 工业质检：用于工业质检中需要区分细微差异的场景，如缺陷分类，提升检测准确率。
• 机器人感知：用于机器人视觉中识别相似物体或场景，提升感知准确性。