实验设计
我们模拟现实世界中存在的两点限制：（1）模拟主观专家知识的差异：将位于细粒度叶子类别中的样本，选取其中 0%，30%，50%,，70% 以及 90% 的样本，重新标记到其对应的父类标签；（2）模拟图像质量的影响：将选取的重标记样本进一步降低其图像的分辨率。
消融实验
在表 1 中我们验证了层级残差网络中包含的层级专有特征提取层（GSB）、层级特征线性组合(LC)、以及针对组合后的层级特征的非线性变换（ReLU）各部分的作用：
表 1：通过逐步添加 HRN 网络中的关键部分: 层级专有特征提取层 (granularity-specific block, GSB)、层级间特征的线性组合(linear combination, LC)、以及最后对于组合特征的非线形变换 (ReLU) 获得 CUB-200-2011 数据集中最后一层级上对应重标记比例为 0% 的 OA(%) 实验结果。
在表 2 中我们验证了复合损失函数中多类交叉熵损失函数的作用：
表 2: 不同重标记比例下验证概率分类损失函数
与多类交叉熵损失函数
的结合效果，汇报 CUB-200-2011 数据集中最后一层级上的 OA(%) 实验结果
在表 3 中我们对比了复合损失函数与传统的层级分类损失函数对比的结果：
表 3：CUB-200-2011 数据集中最后一层级上重标记比例为 0% 对比复合损失函数与传统层级分类损失函数的 OA(%) 实验结果
在图 4 中我们利用 Grad-Cam 可视化算法展示各个层级响应的二维激活热力图：
图 4: 鸟类数据集上来自同一目 (order: Passeriformes) 同一科 (family: Troglodytidae) 下面两种 种类 (species: House Wren 与 Marsh Wren) 的鸟类图片上，我们方法产生的二维激活热力图
对比实验
我们对比了 4 种公认的层级多粒度分类方法：HMC-LMLP[1] 、HMCN[2]、Chang et al.[3]、C-HMCNN[4]。我们汇总平均在各个数据集、不同重标记比例下各个对比方法的 OA / 结果在表 4 中：
表 4: 在各个数据集、不同重标记比例下对比方法的平均 OA / 结果
类似地，我们利用 Grad-Cam 算法展示各个对比方法在不同层级上的二维激活热力图，结果见图 5:
图 5: CUB-200-2011 数据集中来自同一目 (order: Passeriformes) 同一科 (family: Troglodytidae) 下面两种种类(左边: House Wren，右边: Marsh Wren) 的鸟类图片上，不同对比方法在三层层级 上各自的感兴趣响应区域示例
参考文献
[1]Ricardo Cerri, et al. Reduction strategies for hierarchical multi-label classification in protein function prediction. BMC Bioinformat., 17(1):373, 2016.[2]Jonatas Wehrmann, Ricardo Cerri, and Rodrigo Barros. Hierarchical multi-label classification networks. ICML, 2018.[3]Dongliang Chang, et al. Your” flamingo” is my” bird”: Fine-grained, or not. CVPR, 2021.Eleonora Giunchiglia and Thomas Lukasiewicz. Coherent hierarchical multi-label classification networks. NeurIPS, 2020.
