67、图像分类方法：TIO损失与基于生成对抗网络的创新方案

图像分类方法：TIO损失与基于生成对抗网络的创新方案

一、TIO损失：解决多分类中类别不平衡问题

在多分类任务里，训练数据的类别不平衡常常影响模型的性能。为了降低这种影响，提出了TIO损失函数。

1.1 TIO损失的实验表现

通过在Kaggle蘑菇数据集上的实验，对比了不同损失函数下各类别的平均置信系数，如下表所示：
| 数据集类别 | CE | FL | TIO | CE+TIO | FL+TIO |
| — | — | — | — | — | — |
| Amanita | 0.5045 | 0.5156 | 0.5102 | 0.5276 | 0.5323 |
| ressula | 0.7134 | 0.7152 | 0.7147 | 0.7206 | 0.7204 |
| Hygrocybe | 0.1807 | 0.2043 | 0.1926 | 0.2378 | 0.2515 |
| Cortinarius | 0.6355 | 0.6468 | 0.6404 | 0.6517 | 0.6556 |
| suillus | 0.1296 | 0.1434 | 0.1339 | 0.1765 | 0.1967 |
| Entoloma | 0.2629 | 0.2811 | 0.2707 | 0.3278 | 0.3499 |
| Boletus | 0.6911 | 0.7017 | 0.6964 | 0.7099 | 0.7054 |
| Lactarius | 0.7401 | 0.7404 | 0.7402 | 0.7411