具有显式互补模型以实现精度均衡分类的深度集成网络
计算机视觉与模式识别
2019-08-13 v1
摘要
平均精度是分类系统的主要评价指标之一，而精度偏差是另一个用于评估各类深度神经网络的重要性能指标。本文提出一种类集成的高速深度神经网络 Harmony，它能在不降低整体平均精度的情况下减小各类别间的精度偏差。Harmony 由三个子模型组成，即目标模型、互补模型和指挥模型。在 Harmony 中，一个对象由目标模型或互补模型之一进行分类。目标模型是用于一般类别的常规分类网络，而互补模型是专门用于被目标模型分类不准确的弱势类别的分类网络。指挥模型用于从两个模型中选择其一。实验结果表明，Harmony 能准确分类各类别，同时减小了类别间的精度偏差。
引用
@article{arxiv.1908.03671,
title = {Deep ensemble network with explicit complementary model for accuracy-balanced classification},
author = {Dohyun Kim and Kyeorye Lee and Jiyeon Kim and Junseok Kwon and Joongheon Kim},
journal= {arXiv preprint arXiv:1908.03671},
year = {2019}
}