《表3 不同损失优化下的识别结果》
本文模型以传统的交叉熵损失函数为基础,加入不同损失函数进行优化后的识别结果如表3所示。结果表明,加入均方差损失的联合优化结果与加入中心损失的联合优化结果均优于交叉熵损失单独优化的结果。其中,中心损失在两个分任务上的优化效果更加明显。交叉熵损失函数扩大了样本在特征空间中的类间距离,均方差损失函数均化了错分类别,中心损失函数在优化过程中减小了样本的类内间距。联合损失函数可以生成更为紧致的类分布,更利于共享特征空间的优化。
图表编号 | XD00133385700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.25 |
作者 | 侯春萍、蒋天丽、郎玥、杨阳 |
绘制单位 | 天津大学电气自动化与信息工程学院、天津大学电气自动化与信息工程学院、天津大学电气自动化与信息工程学院、天津大学电气自动化与信息工程学院 |
更多格式 | 高清、无水印(增值服务) |