针对现有的SIFT特征在车辆细粒度分类中存在的分类精度低的问题，提出了一种融合FV-SIFT特征和深度卷积特征的车辆图像细粒度分类算法。首先采用SIFT算法与Fisher Vector算法相结合的方式提取车辆图像的FV-SIFT特征，然后采用VGG-16卷积神经网络提取车辆图像的深度卷积特征，最后将FV-SIFT特征与深度卷积特征进行线性融合并采用支持向量机对融合后的车辆特征进行分类。实验结果表明，该方法的分类准确率达到82.3%，较FV-SIFT算法在分类准确率上提高了15.4%。

NTS-Net-Keras 该项目是用Keras编写的用于构建NTS-Net模型的工具。 原始论文： 获取 支持多GPU训练 只支持tensorflow作为后端 快速开始 请注意，当前只能在Linux和macOS中执行此项目。 您可能会在Windows中遇到一些问题。 Python版本：python2.7。 下载CUB_200_2011.tgz并解压缩tgz文件。 通过运行pip install -r requirements.txt安装依赖项。 编辑config.py以配置您的实验，您可能需要设置data_root ， num_gpu ， batch_size等。 运行python train.py训练新模型。 训练有素的模型权重 CUDA版本 需要CUDA 9.0 表现 测试仪的准确度为0.82，比原始实现降低了5％。欢迎使用PR来解决此问题。 致谢 原始实现 ，pytor

循环自注意力，细粒度分类，Recurrent Attention Convolutional Neural Network（RA-CNN）是CVPR2017的Oral文章，针对细粒度（fine-grained）的分类

通过带有聚合松弛掩码的分层双线性池进行的细粒度分类