ClassSim：基于训练分类器误分类比率的类间相似性
计算机视觉与模式识别
2018-02-06 v1 机器学习
摘要
深度神经网络（DNNs）已在诸多任务中取得卓越性能，尤其在监督分类任务中。然而，监督分类任务的成就依赖于具有良好分离类别的大型数据集。实际应用中通常涉及包含相似类别的野生数据集；因此，评估类间相似性并理解类间关系十分重要。为此，本文提出一种基于训练DNNs误分类比率的相似性度量ClassSim。我们进行了图像识别实验，表明所提方法相较现有方法能提供更好的相似性，并对分类问题有用。包含所有实验结果的源代码见 https://github.com/karino2/ClassSim/。
引用
@article{arxiv.1802.01267,
title = {ClassSim: Similarity between Classes Defined by Misclassification Ratios of Trained Classifiers},
author = {Kazuma Arino and Yohei Kikuta},
journal= {arXiv preprint arXiv:1802.01267},
year = {2018}
}
备注
15 pages, 2 figures, 11 tables