在深度图像分类任务中,大多数都是采用卷积神经网络模型与SoftMax损失监督训练完成的。但在实际的实验过程中会发现,单独使用SoftMax损失并不能很好地解决分类问题。为了进一步增强网络的分类性能,在使用SoftMax损失对网络训练的同时添...在深度图像分类任务中,大多数都是采用卷积神经网络模型与SoftMax损失监督训练完成的。但在实际的实验过程中会发现,单独使用SoftMax损失并不能很好地解决分类问题。为了进一步增强网络的分类性能,在使用SoftMax损失对网络训练的同时添加额外的联合监督损失函数,对比中心损失(contrastive center loss),其加强了网络的学习能力。该损失在训练过程中会给每个类学习一个深度特征中心,中心参数与模型参数一起进行优化,并通过对比学习的思想加强网络对类别特征信息的学习,在LFW数据集与CUB数据集中的实验结果表明,通过联合监督损失的训练方法可以提高网络的分类性能。展开更多
文摘在深度图像分类任务中,大多数都是采用卷积神经网络模型与SoftMax损失监督训练完成的。但在实际的实验过程中会发现,单独使用SoftMax损失并不能很好地解决分类问题。为了进一步增强网络的分类性能,在使用SoftMax损失对网络训练的同时添加额外的联合监督损失函数,对比中心损失(contrastive center loss),其加强了网络的学习能力。该损失在训练过程中会给每个类学习一个深度特征中心,中心参数与模型参数一起进行优化,并通过对比学习的思想加强网络对类别特征信息的学习,在LFW数据集与CUB数据集中的实验结果表明,通过联合监督损失的训练方法可以提高网络的分类性能。