张量归一化与全分布训练
计算机视觉与模式识别
2021-09-07 v1 机器学习
摘要
在本工作中，我们引入逐像素张量归一化，其插入在修正线性单元之后，并与批量归一化一起显著提升了现代深度神经网络的精度。此外，本工作关注网络的鲁棒性。我们展示了训练集图像的因子化叠加以及将多类问题重新表述为多标签问题可得到显著更鲁棒的网络。与仅以单类作为标签的叠加相比，该重新表述及多类对数损失的调整也改善了结果。https://atreus.informatik.uni-tuebingen.de/seafile/d/8e2ab8c3fdd444e1a135/?p=%2FTNandFDT&mode=list
引用
@article{arxiv.2109.02345,
title = {Tensor Normalization and Full Distribution Training},
author = {Wolfgang Fuhl},
journal= {arXiv preprint arXiv:2109.02345},
year = {2021}
}