Aug, 2020

基于记忆的 Jitter：利用内存中的多样性提升长尾数据的视觉识别能力

PDF
TL;DR本文考虑长尾数据中的深度视觉识别问题，提出了一种名为 Memory-based Jitter 的简单可靠方法，可以增强尾部类别的内部多样性，从而显著提高长尾视觉识别的性能。
发现论文，激发创造
  • 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

  • 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

  • 长尾数据上的深度表示学习：一种可学习的嵌入增强视角

    本文研究如何学习 deep learning 中的 feature 并解决长尾数据集中头尾类别分布错位、影响特征判别能力的问题。我们提出了使用‘特征云’方法来恢复长尾数据集的‘类内多样性’，并在 person re-identification 和 face recognition 任务中进行实验验证。

    Feb, 2020

  • 基于类别难度的长尾视觉识别方法

    该研究旨在解决长尾型样本数据集中头部类别的偏差问题。通过设计一种基于实时测量类别难度的加权损失函数和数据采样技术来缓解偏差，并在多项任务上进行验证，包括图像分类、目标检测、实例分割和视频动作分类。在 ImageNet-LT、LVIS 和 EGTEA 等长尾型数据集上实现了最先进的效果。

    Jul, 2022

  • 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

  • 从不平衡中构建平衡：长尾图像识别

    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

  • 高斯型调整逻辑斯谛回归用于长尾视觉识别

    该论文针对长尾数据分类的问题，从特征层面提出了特征增强及对数调整方法，用以平衡嵌入（embedding）分布，消除分类器偏差，实验表明该方法超越了现有的最佳方法。

    May, 2023

  • 长尾学习作为多目标优化

    通过多目标优化，我们提出一种梯度平衡聚类（GBG）策略，以应对现实世界数据中的类别不平衡和长尾分布问题，并在长尾学习中展现出比现有方法更优越的性能。

    Oct, 2023

  • 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

  • 从头到尾的特征融合：一种极端的长尾视觉识别增强策略

    本文中提出了一种用于解决长尾数据中深度神经网络的头部类别与尾部类别不平衡分布所导致的性能问题的解决方案 —— 头尾融合（H2T），并且通过各种长尾数据基准测试表明了该方案的有效性。

    Jun, 2023