《表3 不同损失优化下的识别结果》

  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

《基于卷积神经网络的雷达人体动作与身份多任务识别》

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

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。