用于图像分类的集成软间隔Softmax损失
计算机视觉与模式识别
2018-05-11 v1
摘要
Softmax损失可以说是训练用于图像分类的CNN模型最流行的损失之一。然而,近期工作暴露了其在特征可判别性上的局限。本文对softmax损失的弱点提出了一种新的视角。一方面,使用softmax损失学习的CNN特征往往判别性不足。因此我们引入软间隔softmax函数来显式鼓励不同类间的判别。另一方面,softmax损失学习的分类器较弱。受弱分类器间多样性对良好集成至关重要的认识启发,我们提出将多个此类弱分类器集成为一个强分类器。为达成多样性,我们采用Hilbert-Schmidt独立性准则(HSIC)。在一个框架中综合考虑这两方面,我们设计了一种新颖的损失,命名为集成软间隔Softmax(EM-Softmax)。在基准数据集上的大量实验表明我们的设计相对于基线softmax损失及若干最先进替代方法的优越性。
引用
@article{arxiv.1805.03922,
title = {Ensemble Soft-Margin Softmax Loss for Image Classification},
author = {Xiaobo Wang and Shifeng Zhang and Zhen Lei and Si Liu and Xiaojie Guo and Stan Z. Li},
journal= {arXiv preprint arXiv:1805.03922},
year = {2018}
}
备注
Accepted by IJCAI 2018