Aug, 2020

长尾识别的元特征调节器

PDF
TL;DR本文提出了一种名为 MFM 的元学习框架，通过模型学习长尾训练数据与平衡元数据之间的差异性，采用可学习的超参数来自适应地调整中间特征和分类网络参数，并在平衡的元数据的指导下对调制参数进行优化，最终在标准视觉数据集上取得了超越其他最先进方法的卓越成果，有效解决了类别不平衡问题。
deep neural networksclass imbalancemeta-learningrepresentation learninglong-tailed recognition
发现论文，激发创造
  • APAM：自适应预训练和自适应元学习的语言模型，用于噪声标签和长尾学习

    本文提出了一种基于对比学习的通用框架，通过特定的学习方法，包括 re-weighting 模块和多项式交叉熵损失和 focal loss 的结合，有效解决了自然语言处理中长尾问题和噪声标签的负面影响。

    Feb, 2023

  • 元模调制：学习变分特征层次结构，用于更少任务的少样本学习

    本文提出了一种名为 MetaModulation 的方法，在元训练过程中使用神经网络调制批量归一化参数，以提高元训练任务的密度，并通过改变不同层面的参数来增加任务的多样性，同时提出了利用变分 MetaModulation 学习变分特征层级的方法，能够考虑任务不确定性和生成更多样的任务，结果表明 MetaModulation 和其变分变体在四个 few-task meta-learning 基准测试中都优于现有技术。

    May, 2023

  • 长尾数据的特征空间增强

    本文提出了一种新方法，通过在特征空间中使用来自具有丰富样本的类别所学习的特征来增强特征空间中的欠表示类别，从而解决长尾分布问题。通过使用类别激活映射，将每个类别的特征分解为类别通用和类别特定部分，并将欠表示类别的类别特定特征与混淆类别的类别通用特征融合，实时生成新样本。结果表明，在 iNaturalist、ImageNet-LT、Places-LT 以及 CIFAR 的长尾版本等数据集上，本文所提出的方法展现了最先进的表现水平。

    Aug, 2020

  • 基于潜变扩散模型的长尾识别

    通过基于隐式扩散模型的特征增强方法，本研究解决计算机视觉中的长尾不平衡分布问题，并在 CIFAR-LT 和 ImageNet-LT 数据集上验证了模型的准确性提升。

    Apr, 2024

  • 面向长尾视觉识别的特征平衡损失

    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

  • 探索长尾目标检测中的分类平衡

    本研究提出使用平均分类得分来指示每个类别的分类准确性，并通过平衡损失和记忆增强特征采样方法，在长尾检测中找到分类平衡，显著提高了尾部类的检测性能，且代码可用。

    Aug, 2021

  • 双补偿残差网络用于类不平衡学习

    利用双重补偿残差网络，通过特征和置信度补偿模块以及残差平衡多代理分类器，提供解决处理类别不平衡数据的深度学习模型的方法。

    Aug, 2023

  • 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

  • 通过对预训练模型进行校准，在二进制网络上进行长尾识别

    使用高度资源有效的二进制神经网络作为骨干结构来学习长尾分布，通过校准和蒸馏框架利用平衡数据集上的预训练全精度模型作为教师，结合对目标函数术语的对抗平衡和高效的多分辨率学习方案，在 15 个数据集上对最新的长尾数据集进行了最大规模的实证研究，结果显示我们的方法在平均上大幅优于现有技术（>14.33%）。

    Mar, 2024

  • 改进长尾识别的校准

    本文针对训练数据集不均衡和 miscalibration 等问题，设计了两种方法，分别为标签感知平滑和批次偏移规范化，并在多个长尾识别基准数据集上创造了新记录。

    Apr, 2021