PulseAugur
中
实时 11:24:16
English(EN) Label Hierarchy Transition: Delving into Class Hierarchies to Enhance Deep Classifiers

新框架增强了用于分层分类的深度学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种名为标签层级转换（LHT）的新型概率框架，旨在增强用于分层分类任务的深度学习模型。与将分层分类视为多个独立任务的现有方法不同，LHT 显式学习层级不同级别类别之间的关系。这是通过一个编码这些相关性的转换网络和一个在训练期间鼓励模型学习这些跨层级关系的混淆损失来实现的。该框架可适应现有的深度网络，并在基准数据集上展示了卓越的性能，在医疗诊断等领域具有潜在应用。 AI

影响 增强了用于分层分类任务的深度学习模型，有可能提高复杂分类场景的准确性。

排序理由 该集群包含一篇详细介绍深度学习分类新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新框架增强了用于分层分类的深度学习

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Renzhen Wang, De cai, Kaiwen Xiao, Xixi Jia, Xiao Han, Deyu Meng ·

    Label Hierarchy Transition: Delving into Class Hierarchies to Enhance Deep Classifiers

    arXiv:2112.02353v3 Announce Type: replace-cross Abstract: Hierarchical classification aims to sort the object into a hierarchical structure of categories. For example, a bird can be categorized according to a three-level hierarchy of order, family, and species. Existing methods c…

相关实体

相关话题