为了进一步提高生产效率,降低人力成本,大量企业逐渐重视对于人工智能领域相关产品的研发。而计算机视觉作为人工智能领域的重要组成部分,吸引了越来越多研究者的关注,尤其是细粒度图像分类方向,拥有着广泛的应用前景。如果能够开发出低成本的细粒度图像分类技术,将其运用到生态环境的监测中,能够进一步推动生态系统研究的发展。此外,还能提高超市自助结账系统的效率以及实现在交通事故中对于可疑车辆的有效追踪。然而,类内差异性大和类间相似性高的特点使得细粒度图像分类成为了一个充满挑战性的研究方向。只有拥有专业领域知识的人才能对不同子类进行有效识别,从而导致标注成本高。为了克服细粒度图像分类任务中所面临的困难,研究者们开发出了大量的细粒度图像分类算法,这些算法大体上分为三类,基于局部定位的细粒度图像分类算法、基于细粒度特征学习的细粒度图像分类算法以及基于视觉注意力的细粒度图像分类算法。这些算法有一个共同的特点就是学习具有判别性局部区域的细粒度特征,只有抓住这些易于与其他子类区别的精细的图像特征才能高效地区分不同的细粒度图像。因此,我们的研究目标是在不使用额外的边框或局部注释的情况下实现对于细粒度图像不同子类的有效区分。为了实现这个目标,我们需要对图像中具有判别性的区域进行定位并学习其更为精细的图像特征。在本文中,我们凭借图像级标签对细粒度图像分类的方法进行了探索,主要的工作内容如下:(1)针对细粒度图像数据集类内差异性大和类间相似度高的特点,我们提出了基于特征选择的细粒度图像分类方法。该方法通过融合不同感受野的有效信息来提升特征图的质量。为了筛选出具有判别性的特征,对不同尺度的局部区域进行打分,并提取具有判别性局部区域内部更为精细的图像特征进行分类。利用提出的损失函数帮助我们的模型定位具有判别性的图像特征,不仅解决了类内差异性问题,还能减少在特定样本上的过拟合,从而解决了类间相似性问题。我们在三个广泛使用的细粒度图像数据集上进行了实验。实验结果表明,我们的方法能够提升细粒度图像的分类精度并实现较为优越的分类性能。我们还可视化了用于细粒度图像分类的判别性区域,它表明我们的模型能够有效地捕捉子类间细微的差异,从而实现不同子类的有效区分。(2)不同尺度细粒度图像特征能为细粒度图像分类提供图像中不同层次的信息,而这些不同层次的信息能为细粒度图像分类任务提供更为丰富的决策依据。因此,我们设计出了基于多尺度特征融合的细粒度图像分类方法。具体来说,我们对具有辨识度的区域进行更精细的局部定位,找出易于与其他子类区分的更为精细的图像特征,比如鸟类头部的喙。之后,对不同尺度的细粒度图像特征进行权重约束,使得我们的模型着重关注图像中判别性特征信息丰富的关键局部区域。与其他经典的细粒度图像分类方法相比,我们的方法实现了分类精度的有效提升。这说明我们的方法不仅能够实现判别性区域的高效定位,还利用不同尺度细粒度特征信息来修正模型最终的分类结果,进一步改善了细粒度图像的分类性能。