柳 伟，孟凡阳，谭 旭

（1.深圳信息职业技术学院 广东省智能视觉工程技术研究中心，广东 深圳 518172；2.鹏城实验室，广东 深圳 518055）

1 概述

自编码网络是一种常用的无监督图像特征提取网络，其目的是尽可能重现输入图像的神经网络，假定输入和输出是相同的，通过训练神经网络参数得到每一层的权重，隐含层就是原始信号的近似表达[1]。由于自编码网络能够以无监督的方式提取图像特征和重构图像，因此在数据压缩、聚类和降噪等方面得到了广泛的应用。

自编码网络中常用的损失度量是计算输入图像与重构图像之间的MSE。然而，由于自然图像区域分布具有类别不平衡性，例如，图像中大部分为没有区分性的平滑区域，有区分性特征的非平滑区域相对较少，影响了基于MSE度量的自编码优化方法的性能，不仅导致重构的图像比较模糊，而且提取的特征区分性较差。因此，如何引入图像的分布特性，设计一个有效的损失函数，使其既能够有效提升图像的重构质量，又能够学习到有区分性的特征表达，成为自编码网络损失函数优化的难点。

目前解决类别不平衡问题的方法可以分为两类：一种方法是根据数据集分布的不均衡性调整数据的比例，例如过采样和欠采样方法[2，3]，但是过采样会引入噪声，欠采样会导致多数类原始信息消失；另一种方法是代价敏感（Cost Sensitive）学习[4]，通过引入类别权重改变算法的性能，对少数类样本分配较高的权重，对多数类样本分配较低的权重，使网络在学习样本时对高代价的少数类更加敏感。……