图像分类的类间学习

CVPRNov, 2017

Between-class Learning for Image Classification

Yuji Tokozume, Yoshitaka Ushiku, Tatsuya Harada

TL;DR本文介绍了一种新的图像分类学习方法，称之为 Between-Class learning (BC learning)，通过两个不同类别的图像以随机的比例混合生成新的图像，并训练模型输出混合的比例，从而使模型的泛化能力得到提高。同时，提出了基于内部分割和将图像视为波形的两种混合方法，实验表明，在 ImageNet-1K 和 CIFAR-10 两个数据集上，该方法能够实现很好的分类效果。

Abstract

In this paper, we propose a novel learning method for image classification called between-class learning (BC learning). We generate between-class images by mixing two images belonging to different classes with a

between-class learning image classification feature distributions convolutional neural networks mixing methods

发现论文，激发创造

利用类间样本进行深度声音识别学习

该研究提出了一种名为 BC learning 的新型深度学习方法，通过识别类间声音来学习区分性特征空间，该方法不仅仅可以增加训练数据的多样性，还可以增加 Fisher 的判据，规范类之间特征分布的关系。该方法可以在各种声音识别网络、数据集和数据增强方案中提高性能，并通过构建深度声音识别网络 EnvNet-v2 并使用 BC learning 方法，实现了超越人类的性能。

Nov, 2017

高度不平衡医学图像分类的平衡 MixUp

提出一种基于 MixUp 正则化技术的平衡采样机制，称为 Balanced-MixUp，可以同时对训练数据进行正常（基于实例）和平衡（基于类）采样，使神经网络可以有效地学习高度不平衡的医学图像分类数据集。实验结果表明，Balanced-MixUp 优于其他常规采样方案和针对不平衡数据设计的损失函数。

Sep, 2021

学习混合均值的选择性的在线算法

我们开发了一种生物上可行的学习规则，称为 Triplet BCM，该规则可证明收敛于一般混合模型的类均值。通过引入来自混合物的三元组（triplets）样本，Triplet BCM 实现了一种新颖的信息处理解释。我们提供了这个学习规则的完整证明，并对 BCM 和张量学习之间的关系进行了扩展讨论。

Oct, 2014

通过互补的内类和间类 Mixup 提高图像分类准确性

提出一种综合的混合方法和综合解决方案，针对图像分类任务中的类内混合、类间可分离性和类内内聚性进行增强，实验结果表明，该方法相比于现有方法以及类似方法在分类准确性上具有显著提升。

Mar, 2024

不平衡半监督学习的两次类别偏差校正

通过引入一种名为 TCBC 的新方法，我们解决了传统半监督学习中的两个挑战：训练样本的不平衡分布导致模型偏向某些类别，以及未标记样本的分布未知且可能与已标记样本不同，在训练过程中进一步导致偏向类别的伪标签。我们通过利用参与训练样本的类别分布估计来纠正模型，使其学习在类别平衡先验下的样本后验概率，从而减轻模型固有的类别偏差。在此基础上，我们还估计了训练过程中当前模型参数的类别偏差，对未标记样本的伪标签进行二次修正，以尽量使不同类别的未标记样本的伪标签分配公平。通过对 CIFAR10/100-LT、STL10-LT 和大规模长尾数据集 SUN397 的大量实验，我们提供确凿证据，证明我们提出的 TCBC 方法可靠地提升了类别不平衡的半监督学习性能。

Dec, 2023

Un-Mix: 重新思考无监督视觉表示学习中的图像混合

该论文提出了一种基于标签空间的无监督学习方法 (Un-Mix)，通过混合输入数据进行联合工作，从而学习到更加精细、鲁棒且广义的表示。实验证明，在 CIFAR-10、CIFAR-100、STL-10、Tiny ImageNet 和 ImageNet 等数据集上，该方法均可以在保持基本方法的超参数和训练程序不变的条件下，显著提高模型的泛化性能。

Mar, 2020

大规模增量学习

本文提出并验证了一种纠正新旧类别数据不平衡问题的方法，利用一个线性模型矫正了全连接层的弱分类偏见，在两个大型数据集 ImageNet 和 MS-Celeb-1M 上比现有算法表现更好。

May, 2019

无限类别混淆

本文提出了一种名为 Infinite Class Mixup 的基于分类器混合的新型数据增广策略，通过对每个增广样本定义一个唯一的新分类器，而不是对训练对标签进行混合，使得神经网络能够更好地学习不同数据类之间的线性行为模式，并在多种模型上取得了较好的性能表现。

May, 2023

面向长尾视觉识别的平衡对比学习

本研究提出一种适用于长尾数据的平衡对比学习方法 (BCL)，通过均衡梯度贡献和多类别出现于每次 mini-batch 的方式，使分类器实现更好的优化，并在多个长尾数据集上超过了现有竞争对手 (ClFAR-10-LT,CIFAR-100-LT, ImageNet-LT, 以及 iNaturalist2018)

Jul, 2022

理解 CNN 内部的类内知识

本研究使用卷积神经网络构建一个非参数补丁模型，从而可视化卷积神经网络内部类别的知识，进一步了解对象类别在全连接层中是如何表示的，并将其应用于风格化图像检索。

Jul, 2015