Resumen

Generalmente, el rendimiento de los modelos de clasificación basados en aprendizaje profundo está altamente relacionado con las características capturadas de las muestras de entrenamiento. Cuando una muestra no es clara o contiene un número similar de características de muchos objetos, no podemos clasificar fácilmente qué es. De hecho, los seres humanos clasifican objetos no solo por las características, sino también por alguna información como la probabilidad de estos objetos en un entorno. Por ejemplo, cuando conocemos más información, como que un objeto tiene una probabilidad más alta en el entorno que los demás, podemos dar fácilmente la respuesta sobre lo que está en la muestra. Llamamos a este tipo de probabilidad como probabilidad local, ya que está relacionada con el entorno local. En este documento, llevamos a cabo un nuevo marco que se llama L-PDL para mejorar el rendimiento del aprendizaje profundo basado en el análisis de este tipo de probabilidad local. En primer lugar, nuestro método entrena el modelo de aprendizaje profundo en el conjunto de entrenamiento. Luego, podemos obtener la probabilidad de los objetos en cada muestra con este modelo entrenado. En segundo

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Aprendizaje profundo; Modelos de clasificación; Características; Objetos; Probabilidad; Rendimiento
• Keywords:Deep learning; Classification models; Features; Objects; Probability; Performance