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
2021-08-30 v2
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。许多图像分类研究使用深度卷积神经网络，并聚焦于修改网络结构以提升图像分类性能。相反，我们的研究聚焦于损失函数设计。交叉熵损失（CEL）已被广泛用于训练深度卷积神经网络以完成多类分类任务。尽管 CEL 已在若干图像分类任务中成功应用，它仅关注正确类的后验概率。为此，提出了负对数似然比损失（NLLR）以更好区分正确类与竞争的错误的类。然而，在深度卷积神经网络的训练过程中，NLLR 的值并非恒为正或负，这严重影响了 NLLR 的收敛。我们提出的竞争比率损失（CRL）计算正确类与竞争的错误的类之间的后验概率比，以进一步扩大正确类与错误类之间的概率差异。我们为 CRL 添加了超参数，从而确保其值为正，且反向传播的更新大小适于 CRL 的快速收敛。为证明 CRL 的性能，我们在通用图像分类任务（CIFAR10/100、SVHN、ImageNet）、细粒度图像分类任务（CUB200-2011 与 Stanford Car）以及具挑战性的人脸年龄估计任务（使用 Adience）上进行了实验。实验结果显示了该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上的有效性与鲁棒性。
引用
@article{arxiv.1912.11642,
title = {Competing Ratio Loss for Discriminative Multi-class Image Classification},
author = {Ke Zhang and Yurong Guo and Xinsheng Wang and Dongliang Chang and Zhenbing Zhao and Zhanyu Ma and Tony X. Han},
journal= {arXiv preprint arXiv:1912.11642},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:1907.13349