摘要

序数回归旨在解决类别之间并非相互独立，而是具有自然顺序的分类问题。在这一过程中，准确分类每个类别的同时，学习并建模类别间的有序关系至关重要。本文提出一种简单而有效的方法，通过将度量惩罚（metric penalties）无缝融入真实标签的表示中，对类别间的有序关系进行约束。这种编码方式使深度神经网络能够自动学习类内与类间的关系，而无需对网络架构进行任何显式修改。我们的方法将原始数据标签转换为软概率分布，与常见的分类损失函数（如交叉熵）具有良好的兼容性。通过在四种截然不同的应用场景中使用现成的分类与分割网络，我们验证了该方法的有效性：图像质量排序、年龄估计、地平线线回归以及单目深度估计。实验结果表明，该通用方法在性能上可与专门设计的解决方案相媲美，并能很好地适应多种不同的网络架构和度量标准。