CC-Loss：用于图像分类的通道相关性损失
计算机视觉与模式识别
2020-10-13 v1
摘要
损失函数是深度学习模型的关键组成部分。分类中常用的损失函数为交叉熵损失，它是信息论在分类问题中简单而有效的应用。基于此损失，已提出许多其他损失函数，例如通过添加类内与类间约束来增强所学特征的判别能力。然而，这些损失函数未能考虑特征分布与模型结构之间的联系。针对该问题，我们提出一种通道相关性损失（CC-Loss），其能够约束类别与通道之间的特定关系，并保持类内与类间的可分离性。CC-Loss 在训练阶段使用通道注意力模块为每样本生成特征的通道注意力。接着，计算欧氏距离矩阵以使同类别的通道注意力向量趋于一致，并增大不同类别间的差异。最终，我们获得具有良好类内紧凑性与类间可分离性的特征嵌入。实验结果表明，采用所提 CC-Loss 训练的两个不同骨干模型在三个图像分类数据集上优于当前最优损失函数。
引用
@article{arxiv.2010.05469,
title = {CC-Loss: Channel Correlation Loss For Image Classification},
author = {Zeyu Song and Dongliang Chang and Zhanyu Ma and Xiaoxu Li and Zheng-Hua Tan},
journal= {arXiv preprint arXiv:2010.05469},
year = {2020}
}
备注
accepted by ICPR2020