《表2 图6所示曲线对应的最大准确率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《图像分类卷积神经网络的反馈损失计算方法改进》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

同图5类似，图6（a）为使用图3（a）所示网络模型，对图4（a）所示的Wider Faces数据集进行训练和测试所得到的仿真结果；图6（b）为使用图3（b）所示网络模型，对图4（b）所示的Dogs vs.Cats数据集进行训练和测试所得到的仿真结果；图6（c）为使用图3（c）所示网络模型，对图4（c）所示的Cifar-10数据集进行训练和测试所得到的仿真结果.并且图6（a）和图6（b）对应CNN的输出维度为10，图6（c）对应CNN的输出维度为20.图6中的softmax-dis-2和softmax-dis-10（9）所标记曲线对应的CNN模型在训练时都使用softmax激活函数和对数似然损失函数计算反馈损失，这两条曲线的区别在于softmax-dis-2曲线对应训练样本标签的最小码距为2，而softmax-dis-10（9）对应的训练样本标签的最小码距为10（9）.sigmoid-dis-2、sigmoid-dis-5和sigmoid-dis-10所标记曲线对应的CNN模型在训练时都使用sigmoid激活函数和交叉熵损失函数计算反馈损失，区别在于sigmoid-dis-2曲线对应训练样本标签的最小码距为2，而sigmoid-dis-5曲线和sigmoid-dis-10曲线对应的训练样本标签的最小码距分别为5和10.为便于进行对比，表2列出了图6中各条曲线对应的最大准确率.