針對細粒度圖像分類方法中存在模型復雜度較高、難以利用較深模型等問題，提出深度模型遷移（ DMT）分類方法。首先，在粗粒度圖像數據集上進行深度模型預訓練；然后，使用細粒度圖像數據集對預訓練模型logits層進行不確切監督學習，使其特征分布向新數據集特征分布方向遷移；最后，將遷移模型導出，在對應的測試集上進行測試。實驗結果表明，在STANFORD DOGS、CUB -200 -2011、OXFORD FLOWER-102細粒度圖像數據集上，DMT分類方法的分類準確率分別達到72.23%、73. 33%和96. 27%，驗證了深度模型遷移方法在細粒度圖像分類領域的有效性。

? ? 細粒度圖像分類( Fine-Grained Image Classification，FGIC)任務中的類別構成，往往是粗粒度類別中某一子類別；與粗粒度圖像相比，細粒度圖像類間差異更小，相似類之間的干擾導致圖像信噪比高，對其進行有效分類往往需要借助圖像中稀疏且局部的特征。傳統FGIC方法依賴人工標注的局部信息，對分類模型進行強監督學習，導致此類方法人工參與程度高。近年來，僅需圖像類標簽的不確切監督( inexact supervision)學習方法成為了研究熱點。

　　細粒度圖像分類（ Fine-Grained Image Classification，FGIC）任務中的類別構成，往往是粗粒度類別中某一子類別；與粗粒度圖像相比，細粒度圖像類間差異更小，相似類之間的干擾導致圖像信噪比高，對其進行有效分類往往需要借助圖像中稀疏且局部的特征¨］。傳統FGIC方法依賴人工標注的局部信息，對分類模型進行強監督學習，導致此類方法人工參與程度高心］。近年來，僅需圖像類標簽的不確切監督（ inexact supervision）學習方法‘31成為了研究熱點。

　　不確切監督屬于弱監督（ weakly supervision）范疇，其特點是訓練數據的標簽粒度較粗。如圖像的類標簽，與局部標簽相比，類標簽信息僅能描述全局圖像，而無法提供圖像的局部信息。

　　根據圖像分類過程，FGIC模型亦可抽象為“特征提取器+分類器”結構‘糾，其中的圖像特征提取至關重要。目前，細粒度圖像特征提取方法分為兩種：1）手工設計底層特征。 Iscen等M1首先采用Zernike濾波器進行密集局部塊檢測，再對檢測到的局部塊提取特征并進行分類（ Zemike+SpatialCoordinate Coding，Zemike+ SCC）；Zhang等借鑒人眼分層注意機制提出了分層圖元匹配（Hierarchical GraphletMatching，HGM）方法。2）特征學習。目前，該類方法常采用深度模型進行特征學習。Xie等‘61提出了在線最近鄰估計結 合支持向量機（ Online Nearest-neighbor Estimation+SupportVector Machine，ONE +SVM）的方法，對深度模型提取到的特征進行分類；Azizpour等‘71微調深度模型進行細粒度圖像分類（ Deep Standard， Deep Optimized）；Qian等‘81提出了多級度量學習（ Multi-stage Metric Learning，MsML）方法，將大規模多維特征學習進行拆分降維，以降低學習復雜度；Kim等提出了一種基于貝葉斯證據框架（ Bayesian Evidence Framework，BEF）的深度模型選擇方法，選取最優模型后再進行遷移學習；Huang等提出了基于多邊形的分類器（Polygon Based Classifier．PBC），自動尋找圖像中有判別力的特征區域。