《表1 不同模型分类准确率比较》
本文提出了一种新的应用于全局损失的相关性损失函数,可以实现每个模态在训练中进行相互的指导,以此获得更健壮的特征表示。比较了包含相关损失函数作用下与传统单模态网络交叉熵损失函数下的收敛趋势,结果如图4所示。这里只展示了100次迭代的收敛趋势,由三个模态在前100次迭代的收敛趋势可以明显看出,在全局损失中加入相关性损失函数,判决损失的收敛速度明显加快。此外最终的分类结果也明显优于传统的交叉熵损失网络的结果,相关结果如表1所示,该实验证明了本文方法的可靠性和优越性。
图表编号 | XD00202146900 严禁用于非法目的 |
---|---|
绘制时间 | 2021.03.05 |
作者 | 王亚、郑博文、张欣 |
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、中国电子技术标准化研究院 |
更多格式 | 高清、无水印(增值服务) |