制造更好的错误：利用类层次结构改进深度网络
计算机视觉与模式识别
2020-06-15 v2 机器学习
摘要
在过去的十年中，深度神经网络极大地改善了图像分类，但其关注点在于将所有非真值类同等错误的性能度量。这导致了一种情况：犯错的几率比以前小，但一旦发生错误，其荒谬或灾难性的程度仍与以前一样。过去的工作已经认识到并尝试解决这一错误严重性问题，通常通过使用类层次结构中的图距离，但自计算机视觉当前深度学习时代到来以来，这一问题在很大程度上被忽视了。在本文中，我们旨在通过回顾过去的方法并提出对交叉熵损失的两种简单修改来重燃对该问题的兴趣，这两种修改在具有复杂类层次结构的两个大型数据集 tieredImageNet 和 iNaturalist'19 上的若干度量下优于先前最佳方法。
引用
@article{arxiv.1912.09393,
title = {Making Better Mistakes: Leveraging Class Hierarchies with Deep Networks},
author = {Luca Bertinetto and Romain Mueller and Konstantinos Tertikas and Sina Samangooei and Nicholas A. Lord},
journal= {arXiv preprint arXiv:1912.09393},
year = {2020}
}
备注
To appear at CVPR 2020. Code available at https://github.com/fiveai/making-better-mistakes