Page 93 - 中国全科医学2022-14

·1754· http://www.chinagp.net E-mail:zgqkyx@chinagp.net.cn

图来可视化网络学习到的特征。该方法通过对高维特征 模型可以清晰地分离出各种样本，但仍然不如 EGCN 模
表示的降维和可视化来展示高维特征在低维空间的分 型具有更好的特征分离度，见图 4。综上，本文提出的
布，从而验证了方法的特征提取能力。EGCN 和对比算 EGCN 方法在病毒形态识别问题上有很好的效果。
法的结果显示，几种传统网络的效果相对较差，RMAN 3.4 结果分析 图 5 显示了损失函数中平衡参数的影
响。图 5（a）表明辅助交叉熵损失（L ca ）的正则化作
用可以帮助模型收敛到局部最优。相比之下，较弱的约
束会导致算法过分关注样本的局部信息，影响方法的优
化效果。另外，图修正损失对模型影响较小，当 λ 2 为
1 时，top-1 错误率最低。最后，对比损失帮助 EGCN
从另一个角度提取训练集的样本信息，其最优平衡参数
值为 0.3。
为了验证 EGCN 算法中每个模块对病毒识别任务的
贡献，本节设计了一系列的消融实验，结果如表 4 所示。
首先，本节提供了一种无数据增强的算法，并证明其正
则化效果可以使 EGCN 的错误率降低 0.77%。之后去掉
了 GCN 模块，直接使用 CNN 特征进行病毒识别，以验
证 EGCN 中 GCN 部分的效果。结果表明，能够整合样
本间信息的 GCN 使错误率降低了 8.87%。另外，去掉
了超分类技巧来验证这部分在算法中的贡献。这证明了
图 3 混淆矩阵
Figure 3 The confusion matrix 该超分类方法提高了 EGCN 模型提取图像全局表示的能

（a）VGG-19 （b）ResNet-50 （c）DeseNet-101

（d）RepVGG （e）RMAN （f）EGCN

注：a~c 表示监督模型，d~e 表示病毒识别算法和 f 表示 EGCN 算法
图 4 t-SNE 可视化效果图
Figure 4 Thet-SNEplotsofourmethodandcomparisonalgorithms