.png){kind=icon}
返回
Large-margin Softmax loss using synthetic virtual class
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2025.108068.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大间隔学习的核心挑战在于设计具有强判别能力的分类器。尽管现有的大间隔方法已在各类分类任务中取得成功，但它们通常存在任务泛化能力弱以及难以样本与易样本处理不平衡的问题。本文提出了一种间隔自适应合成虚拟Softmax损失（SV-Softmax），通过合成嵌入特征及其对应原型动态生成虚拟原型。这些虚拟原型能够根据嵌入特征的空间分布自适应调整间隔，促进嵌入特征与其对应原型的接近，并创建清晰且具有判别性的决策边界。此外，我们引入了一种基于困难样本挖掘的虚拟原型插入策略，针对正确分类和错误分类样本应用不同的合成策略，强调困难样本的重要性。SV-Softmax具有即插即用的特性，计算复杂度极低，无需特征或权重归一化，也不依赖任务特定的超参数调整。在多个视觉分类和人脸识别数据集上的广泛对比实验表明，SV-Softmax相较于九种当前最先进方法实现了相当或更优的性能。代码地址：https://github.com/10zhou/SV-Softmax。
Keyword:
Large margin learning
Virtual class
Hard mining
Representation optimization
期刊
IF:
6.3
论文数:
8.2K
被引数:
3.0W
机构
引用论文
分享收藏Z-scheme Ag3PO4/POM/GO heterojunction with enhanced photocatalytic performance for degradation and water splitting.png)
DALTON TRANSACTIONS
DALTON TRANSACTIONSIF3.3
PREAI
分享收藏
查看更多内容