用于判别性多类图像分类的竞争比率损失
计算机视觉与模式识别
2019-08-02 v2 机器学习
摘要
深度卷积神经网络架构的发展对图像分类任务性能的提升至关重要。大量基于深度卷积神经网络的图像分类研究聚焦于网络结构以改进图像分类性能。与这些研究相反,我们关注损失函数。交叉熵损失 (Cross-entropy Loss, CEL) 被广泛用于训练多类分类深度卷积神经网络。尽管 CEL 已成功应用于图像分类任务,但当训练图像标签为 one-hot 时,它仅关注正确类的后验概率,无法直接对不属于正确类(错误类)的类别进行判别。为解决 CEL 的问题,我们提出竞争比率损失 (Competing Ratio Loss, CRL),其计算正确类与竞争错误类之间的后验概率比率,以更好地区分正确类与竞争错误类,增大正确类的负对数似然与竞争错误类的负对数似然之间的差异,拓宽正确类概率与错误类概率之间的差别。为证明我们损失函数的有效性,我们在不同类型的图像分类数据集上进行了若干组实验,包括 CIFAR、SVHN、CUB200-2011、Adience 与 ImageNet 数据集。实验结果表明我们的损失函数在不同深度卷积神经网络架构与不同图像分类任务(如细粒度图像分类、困难人脸年龄估计和大规模图像分类)上的有效性与鲁棒性。
引用
@article{arxiv.1907.13349,
title = {Competing Ratio Loss for Discriminative Multi-class Image Classification},
author = {Ke Zhang and Xinsheng Wang and Yurong Guo and Zhenbing Zhao and Zhanyu Ma and Tony X. Han},
journal= {arXiv preprint arXiv:1907.13349},
year = {2019}
}
备注
The method proposed in this paper has major technical shortcomings, so we want to withdraw