CVPRApr, 2019

开放世界中的大规模长尾识别

PDF
TL;DR研究开放式长尾识别（OLTR）算法，该算法需能在学习具有长尾分布的数据、分类多数和少数类别以及识别未知类别的情况下优化分类准确率，采用动态元嵌入技术实现快速识别，对三种数据集进行的实验结果表明，该算法在 OLTR 领域已处于领先地位。
open long-tailed recognitionimbalanced classificationfew-shot learningopen-set recognitiondynamic meta-embedding
发现论文，激发创造
  • 动态环境下的长尾识别

    通过 Open Long-Tailed Recognition++ 算法，实现在自然分布数据上的 imbalanced classification、few-shot learning、open-set recognition 和 active learning，并且能够在头尾识别之间共享视觉知识、降低尾部与开放类别的混淆，同时提供了基于视觉记忆的主动学习方案。

    Aug, 2022

  • 深度长尾学习综述

    本文系统总结了深度长尾学习的最新进展，围绕着类别再平衡、信息增强和模块改进三个主要类别对相关方法进行详细探讨，并通过提出的相对准确度评估指标对最先进的方法进行了实证分析，为深度长尾学习的应用和未来研究方向提供了重要的参考。

    Oct, 2021

  • 持续学习是否能提高长尾识别？朝向一个统一框架

    本文提出了解决长尾识别问题的两个重要方法：理论公式证明将全数据集训练的权重控制在同样训练头部数据的权重上限范围内；将头部和尾部的学习视为分开的顺序步骤，使用 Continual Learning 方法来有效地更新学习者的权重。作者在 CIFAR100-LT，CIFAR10-LT 和 Caltech-256 等数据集上执行的实验结果表明，Continual Learning 方法可以比 LTR 专用解决方案更有效地解决长尾识别问题。

    Jun, 2023

  • 一种基于视觉 - 语言模型的简单长尾识别基准线

    BALLAD 利用对比学习方法，结合视觉感知与语言理解，实现对于长尾数据集的视觉识别，并在大量实验中获得比竞争性基线更优异的表现。

    Nov, 2021

  • VL-LTR: 学习类别感知的视觉语言表示在长尾视觉识别中的应用

    本研究提出一种基于深度学习的视觉 - 语言长尾识别框架 (VL-LTR)，并在图像文本双模态下解决了长尾数据识别问题，实验结果在 ImageNet-LT 数据集上表现优异，取得了 77.2% 的整体准确率，比之前最佳表现高出了 17 个百分点。

    Nov, 2021

  • ResLT: 面向长尾识别的残差学习

    本研究提出通过保留特定类别低频率的能力，并设计了一种有效的残差融合机制来缓解极不平衡数据分布的深度学习算法应用长尾数据分布时普遍存在的问题，通过在参数空间的角度来解决长尾识别问题，并在多个基准数据集上进行了测试，证明了方法的有效性。

    Jan, 2021

  • 开放世界的长尾问题回答

    本文定义了 OLTQA 模型，它通过在预训练语言模型中挖掘知识和引入 retrieve-then-rerank 框架来支持各种 QA 任务，并提出了适应性的相互知识蒸馏方法联合训练框架和 QA 模型，在 43 个现有 QA 数据集上更好地执行。

    May, 2023

  • 长尾识别中的新型类别发现

    基于等角原型表示的自适应自标记策略，通过解决弛化的最优传输问题，更有效地发现不平衡的新类别，从而有效减轻已知和新类别学习中的偏差，并在 CIFAR100、ImageNet100、Herbarium19 和大规模 iNaturalist18 数据集上取得了卓越的结果。

    Aug, 2023

  • 朝向现实的长尾半监督学习在开放世界中

    通过提出 ROLSSL 框架和双阶段事后逻辑调整方法，本研究在开放世界长尾半监督学习领域取得了性能提升，并为该任务建立了一个强有力的基准。

    May, 2024

  • 长尾识别的表示与分类器解耦

    本研究中，我们解耦学习过程，系统地探索不同平衡策略如何影响长尾识别的表示学习和分类器。我们的发现表明，数据不平衡在学习高质量表示方面可能不是问题，在使用最简单的实例平衡抽样进行学习表示的情况下，只需调整分类器就能实现强大的长尾识别能力，甚至可以胜过精心设计的损失、采样策略以及使用记忆组件的复杂模块。

    Oct, 2019