基于多表征学习的交叉熵集成图像分类方法

交叉熵损失是分类任务中常见的损失函数,然而现有深度分类方法往往使用单模型的交叉熵设计,存在分类泛化能力低、鲁棒性差等问题。受到多视图表征学习的启发,提出一种深度集成的交叉熵损失方法,以提高模型的泛化能力和鲁棒性。通过构建多样化子网络,学习单一图像数据下多个深度视角的不同表征,最终通过集成化交叉熵设计,将图像数据的多视角表征进行集成分类。该方法可以充分利用多视角深度网络的多样化表征进行图像的鲁棒分类,即将多个视图的交叉熵损失统一到整体的集成空间中进行分类,从而提升传统单一模型交叉熵设计下的图像分类性能。在SVHN、CIFAR等图像数据集上的实验结果表明,相比于现有的MEAL、CEN等图像分类方法,该方法在识别准确率上获得了明显提升。