ECCVJul, 2020

使用深度逼真分类器解决长尾识别问题

PDF
TL;DR提出了一种新的解决长尾问题的方法 —— 深度逼真的分类器（Deep-RTC），该模型将现实主义与分层预测相结合，并具有在分类不确定性时拒绝样本的机制。
long-tail recognitiondeep realistic taxonomic classifierhierarchical predictionstaxonomylearning with rejection
发现论文，激发创造
  • 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

  • 路由多样分布感知专家实现长尾识别

    本文提出了一种新型的长尾分类器 RIDE，通过多个专家、分布感知多样性损失以及动态专家路由模块来减小模型方差、缩小模型偏差与尾部的差距，相较于现有的方法，在 CIFAR100-LT、ImageNet-LT 和 iNaturalist 2018 基准测试上性能提高了 5％到 7％，并可应用于各种主干网络和长尾算法，具有较高的普适性和一致性性能。

    Oct, 2020

  • 尾部蕴藏玄机：野外细粒度分类

    这篇论文研究了长尾分布对计算机视觉和视觉识别的影响，通过对大规模细粒度分类数据集和深度学习分类算法的分析，发现训练样本数量对分类性能的影响非常大，迁移学习在当前方法中表现欠佳，因此研究人员建议应对长尾分布的问题进行全面思考。

    Sep, 2017

  • 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

  • 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

  • 深度长尾分类进展综述

    不均匀数据的深度学习中的挑战及方法研究，重点关注长尾分类问题。

    Apr, 2024

  • 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

  • SuperDisco: 超级类别发现改善长尾数据的视觉识别

    本文提出了 SuperDisco 算法，通过图模型发现超类表示，应用元学习方法元学习超类图来得到更稳健的超类图，对于处理长尾分布问题能够有显著提升，实验结果表明该算法在长尾 CIFAR-100，ImageNet、Places 和 iNaturalist 数据集上均取得最新的最优结果。

    Mar, 2023

  • 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

  • 可信的长尾分类

    提出了一种可靠的长尾分布数据分类方法，采用多个专家框架联合进行分类和确定难样本，利用证据理论 (DST) 组合各种不同的不确定性和证据，同时通过动态专家引入实现高效率和可靠不确定性预测。

    Nov, 2021