声明
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。
国内刊号：31-1289/TP
国际刊号：1000-3428
发布日期:
作者：曲坤, 王震龙, 刘志锋
单位：1. 江苏大学京江学院, 江苏 镇江 2120132. 江苏大学计算机科学与通信工程学院, 江苏 镇江 212013
关键词：深层网络,图像分类,交叉熵损失,多表征学习,集成学习
基金：扬州市产业前瞻与共性关键技术项目(SCY2023000087)
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。
来源：2024年第10期
《计算机工程》期刊编辑部
严正声明：本站非期刊官网，非中介代理。
本站仅提供学术规范服务：快速预审、润色编辑服务、中英文查重、降重、去重服务、推荐合适的期刊投稿等学术规范服务。 如需提供学术规范服务请联系在线编辑。