Destruction and Construction Learning for Fine-grained Image Recognition

Intro

本文提出一种细粒度图像分类的方法，即将原图像拼图一样shuffle成不同的block，丢进一个分类器，当然，直接这样训练会引入shuffle带来的无关噪声，所以又加上了adversarial learning和construction learning，类比自编码器，其实这样的操作是使得网络学习到的feature map更加贴近正常图片的feature map，防止网络输出的feature map引入过多的噪声，从而关注真正对细粒度分类有用的部分。整个过程相当于用三个放大镜，层层筛选，筛选得到不管怎么shuffle都对细粒度分类有用的特征。

整个网络的结构如下图所示，清晰明了：

详见https://github.com/JDAI-CV/DCL