針對(duì)細(xì)粒度圖像分類(lèi)方法中存在模型復(fù)雜度較高、難以利用較深模型等問(wèn)題，提出深度模型遷移（ DMT）分類(lèi)方法。首先，在粗粒度圖像數(shù)據(jù)集上進(jìn)行深度模型預(yù)訓(xùn)練；然后，使用細(xì)粒度圖像數(shù)據(jù)集對(duì)預(yù)訓(xùn)練模型logits層進(jìn)行不確切監(jiān)督學(xué)習(xí)，使其特征分布向新數(shù)據(jù)集特征分布方向遷移；最后，將遷移模型導(dǎo)出，在對(duì)應(yīng)的測(cè)試集上進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果表明，在STANFORD DOGS、CUB -200 -2011、OXFORD FLOWER-102細(xì)粒度圖像數(shù)據(jù)集上，DMT分類(lèi)方法的分類(lèi)準(zhǔn)確率分別達(dá)到72.23%、73. 33%和96. 27%，驗(yàn)證了深度模型遷移方法在細(xì)粒度圖像分類(lèi)領(lǐng)域的有效性。

? ? 細(xì)粒度圖像分類(lèi)( Fine-Grained Image Classification，F(xiàn)GIC)任務(wù)中的類(lèi)別構(gòu)成，往往是粗粒度類(lèi)別中某一子類(lèi)別；與粗粒度圖像相比，細(xì)粒度圖像類(lèi)間差異更小，相似類(lèi)之間的干擾導(dǎo)致圖像信噪比高，對(duì)其進(jìn)行有效分類(lèi)往往需要借助圖像中稀疏且局部的特征。傳統(tǒng)FGIC方法依賴(lài)人工標(biāo)注的局部信息，對(duì)分類(lèi)模型進(jìn)行強(qiáng)監(jiān)督學(xué)習(xí)，導(dǎo)致此類(lèi)方法人工參與程度高。近年來(lái)，僅需圖像類(lèi)標(biāo)簽的不確切監(jiān)督( inexact supervision)學(xué)習(xí)方法成為了研究熱點(diǎn)。

　　細(xì)粒度圖像分類(lèi)（ Fine-Grained Image Classification，F(xiàn)GIC）任務(wù)中的類(lèi)別構(gòu)成，往往是粗粒度類(lèi)別中某一子類(lèi)別；與粗粒度圖像相比，細(xì)粒度圖像類(lèi)間差異更小，相似類(lèi)之間的干擾導(dǎo)致圖像信噪比高，對(duì)其進(jìn)行有效分類(lèi)往往需要借助圖像中稀疏且局部的特征¨］。傳統(tǒng)FGIC方法依賴(lài)人工標(biāo)注的局部信息，對(duì)分類(lèi)模型進(jìn)行強(qiáng)監(jiān)督學(xué)習(xí)，導(dǎo)致此類(lèi)方法人工參與程度高心］。近年來(lái)，僅需圖像類(lèi)標(biāo)簽的不確切監(jiān)督（ inexact supervision）學(xué)習(xí)方法‘31成為了研究熱點(diǎn)。

　　不確切監(jiān)督屬于弱監(jiān)督（ weakly supervision）范疇，其特點(diǎn)是訓(xùn)練數(shù)據(jù)的標(biāo)簽粒度較粗。如圖像的類(lèi)標(biāo)簽，與局部標(biāo)簽相比，類(lèi)標(biāo)簽信息僅能描述全局圖像，而無(wú)法提供圖像的局部信息。

　　根據(jù)圖像分類(lèi)過(guò)程，F(xiàn)GIC模型亦可抽象為“特征提取器+分類(lèi)器”結(jié)構(gòu)‘糾，其中的圖像特征提取至關(guān)重要。目前，細(xì)粒度圖像特征提取方法分為兩種：1）手工設(shè)計(jì)底層特征。 Iscen等M1首先采用Zernike濾波器進(jìn)行密集局部塊檢測(cè)，再對(duì)檢測(cè)到的局部塊提取特征并進(jìn)行分類(lèi)（ Zemike+SpatialCoordinate Coding，Zemike+ SCC）；Zhang等借鑒人眼分層注意機(jī)制提出了分層圖元匹配（Hierarchical GraphletMatching，HGM）方法。2）特征學(xué)習(xí)。目前，該類(lèi)方法常采用深度模型進(jìn)行特征學(xué)習(xí)。Xie等‘61提出了在線最近鄰估計(jì)結(jié) 合支持向量機(jī)（ Online Nearest-neighbor Estimation+SupportVector Machine，ONE +SVM）的方法，對(duì)深度模型提取到的特征進(jìn)行分類(lèi)；Azizpour等‘71微調(diào)深度模型進(jìn)行細(xì)粒度圖像分類(lèi)（ Deep Standard， Deep Optimized）；Qian等‘81提出了多級(jí)度量學(xué)習(xí)（ Multi-stage Metric Learning，MsML）方法，將大規(guī)模多維特征學(xué)習(xí)進(jìn)行拆分降維，以降低學(xué)習(xí)復(fù)雜度；Kim等提出了一種基于貝葉斯證據(jù)框架（ Bayesian Evidence Framework，BEF）的深度模型選擇方法，選取最優(yōu)模型后再進(jìn)行遷移學(xué)習(xí)；Huang等提出了基于多邊形的分類(lèi)器（Polygon Based Classifier．PBC），自動(dòng)尋找圖像中有判別力的特征區(qū)域。