分形几何是通过递归迭代生成图像的数学分支。研究发现，即使只有一个分形图像，也可以进行有效的预训练。通过引入局部扰动交叉熵损失函数，可以训练神经网络对小扰动进行分类。预训练可能只是更好的权重初始化，而不是发现有用视觉概念的必要条件。这对于减少预训练数据集的规模具有重要意义。

深度度学习优化神经网络目标函数，增强特征表示。交叉熵损失函数对不同类别数据不够充分。深度度量学习通过映射数据样本到嵌入空间，度量相似性。采样策略和损失函数帮助优化区分性嵌入空间。讨论最新进展和方法。

本文提出了一种改进弱监督语义分割方法的新策略，包括一个大小平衡的交叉熵损失函数和适当的训练策略。通过提出新的评估指标和收集一个大小平衡的评估集，揭示了现有方法在捕捉小物体方面的困难，并在三个不同数据集上取得了更好的性能。

该文介绍了一种基于卷积神经网络的新型一类分类方法，通过使用高斯噪声和交叉熵损失函数训练网络，学习良好的表示和决策边界。该方法在用户身份验证、异常检测和新颖性检测等应用问题上取得了显著改进。