基于可重叠混淆树的卷积神经网络

卷积神经网络(convolutional neural network,CNN)被广泛用于图像分类任务中.大多数现有的CNN模型都按照N路分类器的形式训练.然而,不同类别之间总存在差异性限制了N路分类器的分类能力.为了解决上述问题,提出的神经网络模型将混淆树结构(confusion tree,CT)和CNN模型结合,设计了性能更强的基于混淆树的卷积神经网络模型(confusion tree CNN,CT-CNN).该模型首先建立一个混淆树来对类别之间的混淆性进行建模;然后,将混淆树的分层结构嵌入到CNN模型中,通过这种方式可以引导CNN的训练过程更加关注混淆性强的类别集合.该模型在公共数据集上进行了评估,实验结果证明,CT-CNN能克服大规模数据类别间的分类难度分布不均匀的局限,在复杂大规模的分类任务中取得稳定的优秀表现.