ICCVSep, 2020

多标签分类的不对称损失

PDF
TL;DR通过引入新的不对称损失 (ASL) 并对正负样本进行不同的操作，实现了动态减小容易的负样本，并去除可能被错误标记的样本，使得多标签数据集像 MS-COCO、Pascal-VOC、NUS-WIDE 和 Open Images 的 mAP 得分更加平衡，达到了最新的表现水平，同时也展示了 ASL 适用于其他任务，如单标签分类和物体检测。
multi-labelasymmetric losspositive-negative imbalancemap scoresstate-of-the-art
发现论文，激发创造
  • 多标签分类的不对称多项式损失

    本文提出了一种有效的非对称多项式损失函数 (APL)，通过泰勒展开和改进多项式函数系数等方式，采用非对称聚焦机制减缓了二元交叉熵 (BCE) 损失函数不足之处，并验证了多项式系数可以重新校准非对称聚焦超参数，实验证明了该方法可以在关系提取、文本分类和图像分类等方面持续提高性能。

    Apr, 2023

  • 利用单个正标签学习多标签分类问题并识别未知标签

    本文提出了一种基于熵最大化损失和非对称伪标签方法的单正类多标记学习方法，能够有效改善 SPML 问题中假阴性标签的影响，提高多标签分类准确性，实验结果表明该方法在四个基准数据集上取得了最新的最佳表现。

    Mar, 2022

  • 多标签长尾学习的鲁棒非对称损失

    本文提出了一种鲁棒的不对称损失函数，能够同时解决长尾和多标签分类问题，适用于医学图像分类任务，能够有效缓解多个超参数优化困难和模型过拟合的风险。实验证明该方法在长尾多标签医学图像分类和其他长尾单标签数据集上具有较好的性能，且在 ICCV CVAMD 2023 竞赛的 CXR-LT 数据集上取得 Top-5 的结果。

    Aug, 2023

  • 非对称损失函数用于噪声标签学习

    通过研究损失函数的对称性，提出了一种新的损失函数 —— 非对称损失函数，用于稳健的神经网络训练，得出了其理论性质和实验结果。

    Jun, 2021

  • BSL：理解和改进用于推荐的 Softmax 损失函数

    通过理论分析我们发现 Softmax loss (SL) 的强大性能是由于对负数据分布进行了 Distributionally Robust Optimization (DRO)，因此具有鲁棒性；相较于其他损失函数，SL 隐式地惩罚预测方差，从而得到更公平的结果。基于这些见解，我们进一步提出了一种新的损失函数 Bilateral SoftMax Loss (BSL)，可以使模型对于噪声正例具有鲁棒性。值得一提的是，BSL 相较于 SL 只需添加一行代码即可实现。通过实验证明了我们提出的方法的有效性。

    Dec, 2023

  • 使用类别感知选择性损失的带部分注释的多标签分类

    通过选择性地对待未标注标签和使用针对性的非对称损失函数来处理部分注释问题，本文在多标签分类数据集上取得了最先进的结果。

    Oct, 2021

  • 自适应标签扰动下的密集分类模型校准

    提出自适应随机标签扰动 (ASLP) 方法，通过学习每个训练图像的独特标签扰动水平，使用自校准二值交叉熵（SC-BCE）损失统一标签扰动过程，最大化预测熵，并通过最小化预测准确度和目标训练标签的预期置信度之间的差距来改善模型校准度。实验结果表明，ASLP 可以显著提高密集二值分类模型在分布内和分布外数据上的校准度。

    Jul, 2023

  • 使用广义鲁棒损失提升单一正标签多标签分类

    本文研究了单正多标签学习（Single Positive Multi-label Learning - SPML）的问题，提出了基于期望风险最小化的广义损失框架，用于生成软伪标签，并设计了一种能够处理正负样本不平衡同时灵活协调假阳性和假阴性的新型鲁棒损失函数。实验证明，该方法能够显著提高 SPML 性能，在四个基准测试上胜过绝大多数最先进的方法。

    May, 2024

  • 非对称式补丁采样用于对比学习

    本文提出了一种新的不对称补丁采样策略，用于对比学习，以进一步增强外观不对称性以获得更好的表示，并在 COCO 数据集上实现了最先进的物体检测和实例分割性能。

    Jun, 2023

  • 弱监督多标签分类中重大损失的重要性

    本文探究弱监督多标签分类任务中的噪声与过拟合问题，并提出了能够处理大损失值样本的方法，得出准确性更高的预测结果。

    Jun, 2022