深度学习分类类别不平衡_CCE:具有互补交叉熵的不平衡图像分类

本文提出互补交叉熵(CCE),一种针对深度学习中类别不平衡问题的损失函数。CCE通过消除错误类别的预测概率,提高在不平衡数据集上的分类准确性,尤其有利于从少数类样本中学习关键信息。
摘要由CSDN通过智能技术生成

b5d17e08eb9171bed5aa874a9f1c3a2a.png

CCE 性能优于COT、Focal Loss和ERM等方法。

Imbalanced Image Classification with Complement Cross Entropy

71988cb17c1c7c102fb47c2ca186877c.png
论文: https:// arxiv.org/abs/2009.0218 9
作者单位:光州科学技术院, 韩国科学技术院

最近,深度学习模型依靠大规模的类平衡数据集在计算机视觉应用中取得了巨大成功。但是,由于性能下降,类分布不平衡仍然限制了这些模型的广泛应用。为了解决这个问题,我们专注于交叉熵的研究:它通常忽略错误类的输出分数。

在这项工作中,我们发现抵消不正确类别的预测概率有助于提高不平衡图像分类的预测准确性。基于这一发现,本文提出了一种简单而有效的损失,称为互补交叉熵(complement cross entropy,CCE)。我们的损失通过消除不正确的类的概率,而无需额外的训练程序,使ground truth类在softma

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值