图像分类卷积神经网络的反馈损失计算方法改进

摘要 当前在图像分类领域，卷积神经网络主要通过反向传播算法训练权重和偏置.在参数的训练过程中，网络的实际输出与样本标签之间的反馈损失计算方式会影响到卷积神经网络对图像的最终分类性能.本文研究发现，当增大训练样本标签的维度，提高不同类别标签间的最小汉明距离，并通过sigmoid激活函数结合交叉熵计算反馈损失时，所得到的卷积网络模型对图像的分类能力优于使用softmax激活函数结合独热编码计算反馈损失所得到的卷积网络模型的分类能力.本文使用多种卷积神经网络结构，并结合多个数据集进行训练和测试，所得到的仿真结果证明了本文观点的正确性