车型识别“Hyper-class Augmented and Regularized Deep Learning for Fine-grained Image Classification”

两个贡献，一是使用hyper-class来增强数据，从网络上搜索hyper-class-labeled的数据，形成多类学习任务。二是公式化精细识别模型和hyper-class识别模型，通过挖掘二者的关系提升识别率。

hyper-class 数据增强
数据增强的方法有裁切，镜像，增加随机噪声。但他们的效果有限，主要是信息类似。作者根据图像处理精细类别信息，还有内在的“属性”信息，而且这样的属性标记的图片（比如不同角度的车）容易获取。

最常见的hyper-class是super-class，包括一系列的精细类别。另一种是factor-class，比如车辆，某种品牌的车辆可能包括多于一种的hyper-class(角度)，比如人脸的不同表情。下图显示了两种hyper-class的示意。

作者使用的车辆角度图片使用Baidu搜索，Google搜索的结果是与检索图片车辆型号相同的图片，如下图所示。

hyper-class规则化学习模型

给定图像x，识别结果为y的概率为：

使用softmax函数对factor-type hyper-class概率进行建模，h(x)表示x的高层特征，即，

其中${u_v}$表示hyper-class分类模型的权值，Pr(y=c|v,x)如下计算：

其中 ${w_{v,c}}$表示factor-specific精细分类模型的权值，此时预测公式为：

factor-specific的权值${w_{v,c}}$应该获取factor-type hyper-class分类器${u_v}$对应的相似高层factor相关信息。

将${w_{v,c}}$ 和 ${u_v}$如下规则化：

模型结构如下图（b）所示：