FMCE-Net++：特征图收敛评估与训练
计算机视觉与模式识别
2025-08-19 v2 人工智能
摘要
深度神经网络（DNNs）因其不透明的内部表示而面临可解释性挑战。虽然特征图收敛评估（FMCE）通过特征图收敛分数（FMCS）量化了模块级的收敛性，但它缺乏实验验证和闭环集成。为了解决这一局限，我们提出了 FMCE-Net++，这是一个新颖的训练框架，它集成了一个预训练的、冻结的 FMCE-Net 作为辅助头。该模块生成 FMCS 预测，这些预测与任务标签结合，通过表示辅助损失（RAL）共同监督骨干网络的优化。RAL 通过一个可调的“表示抽象因子”动态平衡主分类损失和特征收敛优化。在 MNIST、CIFAR-10、FashionMNIST 和 CIFAR-100 上进行的大量实验表明，FMCE-Net++ 在不改变架构或增加额外数据的情况下，持续提升了模型性能。关键的实验结果包括准确率提升了 +1.16 个百分点（ResNet-50/CIFAR-10）和 +1.08 个百分点（ShuffleNet v2/CIFAR-100），验证了 FMCE-Net++ 能够有效提升最先进的性能上限。
引用
@article{arxiv.2508.06109,
title = {FMCE-Net++: Feature Map Convergence Evaluation and Training},
author = {Zhibo Zhu and Renyu Huang and Lei He},
journal= {arXiv preprint arXiv:2508.06109},
year = {2025}
}