问题：
细粒度分类 (FGVC) 是为了解决“类内分类”问题，有别于猫狗分类，它要解决的是 [这只狗是萨摩还是哈士奇] 这种问题。
方法：
通过端到端训练，使注意力关注的区域更加细节化和多样化(关注不同的部位)；然后在粗粒度预测之后，将注意力提取的区域输入网络，进行细粒度预测，预测结果为平均值。
训练过程
A 弱监督注意力学习
原始图片通过主干网络提取特征，产生的特征图F为H x W x N，表示高、宽、通道数。然后通过卷积操作获得注意力图 A为H x W x M，形式化表示：
然后提出了一种特征图和注意力图融合方式，Ak表示注意力图的一个通道，然后和特征图所有通道分别进行元素相乘，得到M个加权特征图，最后通过GAP得到一个特征矩阵。
B、注意力指导数据增强
在注意力图中随机选择一个通道的特征图做归一化操作，用来增强数据。
这样就可以通过这个归一化后的特征图做为Crop Mask了，大于某一个阈值的元素置1，小于置0，然后进行裁剪，把1都包含起来，上采样到原图大小，输入网络进行训练，让网络关注细节部分。
Drop 操作就是上面反过来，希望注意力不要只集中在物体的某个部位，让网络多关注一下，其他的部位，两种操作如下图所示，一个是希望关注细节，一个是希望不要只关注一点。
预测过程
原始图片输入网络得到预测结果和注意力图，然后注意力图取平均值而不是和训练过程一样随机选择某一个通道，提取注意力区域，上采样原图大小，输入网络进行预测，预测结果取平均值。