本文提出了一种基于群敏感的多核学习(GS-MKL)方法进行对象识别,以适应类内多样性和类间相关性。 通过在对象类别和单个图像之间引入“组”作为中间表示,GS-MKL尝试与相关的分类器一起学习组敏感的多内核组合。 对于每个对象类别,来自同一类别的图像语料库被分为几组。 外观相似的图像被划分为同一组,这与对象类别的子类别相对应。 因此,类内多样性可以由同一类别但外观各异的一组组来表示。 类间相关性可以通过不同类别的组之间的相关性来表示。 GS-MKL提供了一种易于处理的解决方案,可以使多核组合适应本地数据分布,并在捕获多样性和保持每个对象类别的不变性之间寻求权衡。 与简单的混合分组策略独立地解决了样本分组和GS-MKL训练不同,提出了两种样本分组策略来整合样本分组和GS-MKL训练。 第一种是循环混合分组方法,其中全局内核聚类方法和GS-MKL通过共享组敏感的多内核组合彼此交互。 第二种是动态划分分组方法,其中基于分层内核的分组过程与GS-MKL交互。 实验结果表明,GS-MKL的性能随不同的分组策略而没有显着变化,但是循环混合分组方法产生的结果略好。 在四个具有挑战性的数据集上,我们提出的方法取得了与最新技术相当的令人鼓舞的性能,并且优于几种现有的MKL方法。