Object level: 首先用公开的数据集预训练模型，top-down地作用在整图上，选出跟目标相关的区域（响应度最高的区域），相当于抠图，对抠过的区域再加上类别标签进行迁移学习。
Part level:
对于Object level得到的模型，对卷积层的filter做相似度聚类，同一类的卷积层合为一个part detector，用来为具体的对象局部做识别
结合总体评分和局部评分来对对象做细粒度分类
空间约束的显著性部件选择模型Weakly Supervised Learning of Part Selection Model with Spatial Constraints for Fine-grained Image Classification
显著性提取和协同分割定位对象
先通过显著性聚类提出备选局部，
再对局部位置关系提出两个空间约束：局部和整体必须有尽可能多的重叠，局部之间有尽可能少的重叠。
上面两篇都是不需要局部组件的标注，就学到了局部的特征和约束
显著性引导的细粒度辨识性定位方法Fine-grained Discriminative Localization via Saliency-guided Faster R-CNN
结合分类模型和检测模型做更高精度的细粒度分类
显著性模型提供弱标记的图片训练faster r-cnn检测模型
检测模型提供更精确的备选区域进行分类
Fine-grained Image Classification via Combining Vision and Language
在图片数据集的基础上，增加对图片的描述文本，利用这两个模态的数据提供更高精度的细粒度分类
卷积做图像分类，CNN+LSTM做文本分类，两个分类结果合起来
跨媒体关联与检索跨媒体统一表征学习：使用相同的特征类型表征不同媒体的数据
跨媒体相似度计算：通过分析跨媒体关联关系，计算不同媒体数据的语义相似性
这里的六篇论文我还没读完，读完之后补具体的理解
跨媒体关联传递方法IJCV2013： Exhaustive and Efficient Constraint Propagation
基于稀疏和半监督的统一表征方法Learning Cross-Media Joint Representation With Sparse and Semisupervised Regularization
基于跨媒体语义单元的统一表征方法Semi-Supervised Cross-Media Feature Learning with Unified Patch Graph Regularization
基于跨媒体多深度网络的统一表征方法Cross-media Shared Representation by Hierarchical Learning with Multiple Deep Networks
基于多粒度层级网络跨媒体关联学习方法CCL: Cross-modal Correlation Learning with Multi-grained Fusion by Hierarchical Network
跨媒体混合迁移网络方法Cross-modal Common Representation Learning by Hybrid Transfer Network, IJCAI2017
跨媒体检索数据集PKU-XMedia五种媒体类型（图像、文本、视频、音频、3D）
10万标注数据，200个语义类别，基于wordNet的层次结构
来自Wikipedia, Flickr, Youtube, Findsounds, Freesound, Yobi3D