研究了在多标签文本分类中应用分布平衡损失函数的有效性,结果表明分布平衡损失函数优于常用的损失函数,尤其是在类别不平衡和标签耦合问题同时存在时。
Sep, 2021
本文提出了通过使用平衡的特征损失,通过课程学习来加强长尾类别的激励,强化尾部类别的特征规范,从而提高了长尾问题的性能,并在多个受欢迎的长尾识别基准上实现了优越的性能增益。
May, 2023
本文提出了无偏的 Balanced Softmax 方法和 Balanced Meta-Softmax 方法,以解决训练和测试分布不匹配的深度学习分类问题,实验证明其在视觉识别和实例分割任务中胜于现有最佳方法。
Jul, 2020
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
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
本文提出了一种新的分布校准方法,名为标签感知分布校准(LADC),它利用头部类的相关统计信息丰富尾部类,从而更准确地校准长尾分布的数据集。实验结果表明 LADC 显著优于现有的方法。
Nov, 2021
该研究论文提出了一种基于标签分布解缠模型预测的方法 (LADE) 用于解决长尾视觉识别的问题,其在多个基准数据集上表现优于现有方法,具有很好的实用价值。
Dec, 2020
本文提出了一种新的解决长尾图像识别中头尾偏差问题的方法,通过调整标签空间来平衡数据,从而提高分类性能。实验证明该方法可应用于多种模型,并为长尾特征学习提供了思路。
Aug, 2022
研究了一种针对长尾数据的方法,基于权重平衡和两阶段训练结合的经典正则化技术,通过分析神经崩溃和锥效应,发现该方法是通过权重衰减和交叉熵损失以及类平衡损失调整的隐式 logit 方法增加特征提取器的 Fisher 判别比率。研究表明,通过将训练阶段的数量减少到一个并提高准确性,可以进一步简化训练方法。
该研究提出了一种新的类实例平衡损失 (CIBL) 方法,以在训练数据的类频率不平衡时,通过重新平衡交叉熵损失和对比损失的相对贡献来获得更平衡的性能表现,并且通过使用余弦分类器,可以在更少的 epochs 中获得类似的性能表现。
Jul, 2023