1、什么时候用？
针对同一类中不同子类进行分类
关注：扩大类内差距
- 语义分割（semantic segmentation）进行稠密预测（dense prediction）推断每个像素点的类标签，通过这种方式，区域或物体内的像素点被标记为相应的类别。
- 物体分割（instance segmentation）：分别标记同一类的不同物体，甚至是基于部分的分割（part based segmentation），将已经分割出的类进一步分割为底层的组成部分。
2、本质：如何有效地对前景对象进行检测，并从中发现重要的局部区域信息
3、分类
基于强监督信息的细粒度图像分类模型 ：
为了获得更好的分类精度，除了图像的类别标签外，还使用了物体标注框（object bounding box）和部位标注点（part annotation）等额外的人工标注信息
Part-based R-CNN [1]:
目标：对细粒度图像进行物体级别（如，鸟）与其局部区域（头、身体等部位）的检测
结果：1）借助细粒度图像中的object bounding box和part annotation可以训练出三个检测模型（detection model），一个对应细粒度物体级别检测，一个对应物体头部检测，另一个则对应躯干部位检测
2）对三个检测模型得到的检测框加上位置几何约束，例如，头部和躯干的大体方位、以及位置偏移不能太离谱等。这样便可得到较理想的物体／部位检测结果（如图右上）
3）将得到的图像块（image patch）作为输入，分别训练一个CNN，则该CNN可以学习到针对该物体／部位的特征。最终将三者的全连接层特征级联（concatenate）作为整张细粒度图像的特征表示
Pose Normalized CNN [3]：
结果：1）借助细粒度图像中的object bounding box和part annotation可以训练出三个检测模型（detection model），一个对应细粒度物体级别检测，一个对应物体头部检测，另一个则对应躯干部位检测
2）对三个检测模型得到的检测框加上位置几何约束，例如，头部和躯干的大体方位、以及位置偏移不能太离谱等。这样便可得到较理想的物体／部位检测结果（如图右上）
3）Pose Normalized CNN对部位级别图像块做了姿态对齐操作，并且针对细粒度图像不同级别的图像块（不同部位），提取不同层的卷积特征（例如，很对全局特征，提取了fc8的特征）
Mask-CNN [4]：
结果： 1、第一个实现端到端的训练
2、仅依靠训练时提供的part annotation（不需要bounding box，同时测试时不需额外监督信息）取得了目前细粒度图像分类最高的分类精度
2 、基于弱监督信息的细粒度图像分类模型 ：
目标：希望在模型训练时仅使用图像级别标注信息，而不再使用额外的part annotation信息
- Two Level Attention Model [5]
说明：1、预处理模型：从输入图像中产生大量的候选区域，对这些区域进行过滤，保留包含前景物体的候选区域
2、候选区域大小不一，有些可能包含了头部，有些可能只有脚。此时对这些特征进行谱聚类，得到k个不同的聚类簇
Bilinear CNN [7]：
网络A：对物体进行定位, 即完成传统算法的对象与局部区域检测工作
网络B：对网络A检测到的物体位置进行特征提取
B=（fA,fB,P,C）B=（fA,fB,P,C）,其中fA,fBfA,fB为来个不同的特征，P为Pooling操作，C表示分类器；对特征的每一个位置ll，进行如下计算。