在离散最优传输中嵌入语义层次以进行风险最小化
计算机视觉与模式识别
2021-05-04 v1
摘要
基于广泛使用的交叉熵（CE）损失的深度网络在分类精度方面取得了显著进展。然而，CE 损失本质上会忽略误分类的风险，而该风险通常由预测与标签在语义层次树中的距离来度量。在本文中，我们通过配置离散最优传输（DOT）训练框架的地面距离矩阵，将风险感知的类别间相关性纳入其中。地面距离矩阵可依据层次语义风险的先验知识进行预定义。具体而言，我们在层次语义树上定义树诱导误差（TIE），并从优化角度将其推广到其增函数。树各层级的语义相似性与信息增益相整合。我们以即插即用的方式在多个具有语义树结构的大规模图像分类任务上取得了有前景的结果。
引用
@article{arxiv.2105.00101,
title = {Embedding Semantic Hierarchy in Discrete Optimal Transport for Risk Minimization},
author = {Yubin Ge and Site Li and Xuyang Li and Fangfang Fan and Wanqing Xie and Jane You and Xiaofeng Liu},
journal= {arXiv preprint arXiv:2105.00101},
year = {2021}
}
备注
Accepted to IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP) 2021