Статья посвящена улучшению результатов многометочной классификации изображений за счет улучшения сходимости триплетной функции с гибкой границей. Для этого проанализированы модификации самой функции потерь и процесса обучения, которые помогают стабилизировать градиентный спуск и достичь минимума функции потерь. Из них были выявлены перспективные гипотезы для экспериментальной проверки: заимствование способа расчета расстояния из фокальной функций потерь, замена линейного роста параметра границы между классами на логарифмический, балансировка классов в батче и корректировка его размера. Предлагаемые методы улучшения сходимости были проверены на открытом датасете CIFAR с иерархическими метками. Эффективность выбранных методов была подтверждена: каждое из изменений увеличивает точность итоговой модели на 2–4 %, при внедрении всех изменений точность классификации возросла на 10 % для классов нижнего уровня и 12 % для классов верхнего уровня. Предлагаемые методы были также проверены на устойчивость к ошибкам в датасете. Было показано, что метод улучшения сходимости за счет балансировки классов в батче чувствителен к ошибкам, поэтому не рекомендован к использованию для зашумленных датасетов.
The paper focuses on improving the performance of multi-label image classification by enhancing the convergence of the triplet loss function with a flexible margin. To achieve this, several modifications to the loss function itself and the training process were analyzed, aiming to stabilize gradient descent and reach the loss function minimum more efficiently. Based on the analysis, several promising hypotheses were identified for experimental evaluation: adopting the distance computation approach from the focal loss, replacing the linear increase of the margin parameter with a logarithmic one, balancing classes within a batch, and adjusting batch size. The proposed convergence improvement methods were tested on the open-source CIFAR dataset with hierarchical labels. The effectiveness of the selected methods was confirmed: each modification increased the final model accuracy by 2–4%, while applying all of them together improved classification accuracy by 10% for lower-level labels and 12% for higher-level labels. The proposed methods were also evaluated for robustness to dataset noise. It was shown that the convergence improvement method based on batch class balancing is sensitive to data errors and is therefore not recommended for use with noisy datasets.
The authors declare that there are no conflicts of interest present.