FGDCC：细粒度深度聚类分类——植物分类中类内变异性问题的框架

这篇ArXiv论文介绍了一种名为FGDCC的新方法，旨在解决细粒度视觉分类（FGVC）任务中，特别是植物分类中的类内变异性问题。其核心思想是通过学习基于类别的聚类分配的细粒度特征来提高分类性能。通过单独聚类每个类别，该方法旨在发现编码图像之间相似程度的伪标签，这些伪标签随后用于分层分类过程中。虽然在PlantNet300k数据集上的初步实验显示出有希望的结果并实现了最先进的性能，但作者承认需要进一步优化才能充分证明该方法的有效性。GitHub上代码的可用性有助于该领域的可重复性和进一步研究。该论文强调了基于聚类的方法在减轻FGVC中类内变异性的潜力。

• •FGDCC解决了植物分类中的类内变异性问题。
• •该方法使用基于类别的聚类来生成伪标签。
• •在PlantNet300k上的初步结果很有希望，但需要进一步优化。