本文提出了一种新颖的细粒度视觉分类方法，结合环境线索和冗余信息压缩，利用信息瓶颈指导特征学习。实验结果表明，该方法在多个基准数据集上优于现有技术。同时，介绍了新的检索任务OSFGIR及其数据集，提出的检索框架在大规模细粒度物体识别中表现出色。

计算机视觉的发展对深度学习模型的可解释性提出了要求。研究提出了一种新方法ViTree，用于细粒度视觉分类。该方法将视觉转换器与神经决策树相结合，通过选择补丁和路径来改进表示。实验证明，ViTree模型在可解释性和性能方面表现出色。