Oct, 2020

解决类别不平衡问题的类别难度平衡损失

PDF
TL;DR本文提出了一种名为 Class-wise Difficulty-Balanced loss 的新型损失函数，该函数根据模型感知到的类别难度动态分配样本权重，实验表明该损失函数在图像和视频数据集上均优于其他类别不平衡损失函数。
class-imbalancedeep neural networksweightscdb lossperformance
发现论文，激发创造
  • 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

  • 影响平衡损失函数：解决不均衡视觉分类问题

    我们提出了一种平衡训练方法，通过衍生用于平衡训练阶段的新丢失，有效改善任何类型的不平衡学习方法的性能，从而解决了数据不平衡问题。我们的实验结果表明，所提出的损失优于现有的基于成本的损失方法。此外，我们的损失并不限于特定任务、模型或训练方法，因此可以轻松地与其他最近的重新采样、元学习和基于成本的学习方法结合使用以解决类别不平衡问题。

    Oct, 2021

  • 数据转换中的深度相似性学习损失函数对于类别不平衡问题的应用

    使用深度神经网络通过三元损失函数对多类别不平衡数据进行分类，修改特征分布以生成安全的少数类样本邻域，实验证明该方法优于常见的预处理方法及传统神经网络。

    Dec, 2023

  • 基于代价敏感学习的深度特征表示从非平衡数据中学习

    该研究提出了一种基于成本敏感深度神经网络的方法，可以在不改变原始数据分布的情况下解决类别不均衡的问题，并在六个主要图像分类数据集上进行了实验证明其明显优于现有方法。

    Aug, 2015

  • 使用具有标签分布感知边缘损失函数学习不平衡数据集

    为了解决深度学习在类别分布不平衡的情况下训练表现差的问题，本研究提出了两种新的方法：一、设计了基于理论的标签分布感知边界 (LDAM) 损失函数；二、提出了一种简单而有效的训练策略来推迟重新加权，并在减轻权重的复杂性的同时实现模型对初始表示的学习，实验结果表明这两种方法能够提高模型性能。

    Jun, 2019

  • Difficulty-Net: 学习长尾识别的难度预测

    该研究提出了一个名为 Difficulty-Net 的模型，使用元学习框架来预测长尾数据集中难度较大的类别，利用相对难度和驱动器损失来指导学习，并且在多个长尾数据集中取得了最先进的性能。

    Sep, 2022

  • 长尾分类的类实例平衡学习

    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

  • 基于有效样本数的类别平衡损失

    研究长尾数据在机器学习任务中的问题，并提出了使用 “有效样本数” 改进重新权重计算的类平衡损失方法来提高对长尾数据集的训练效果。在人工合成的长尾 CIFAR 数据集和大规模数据集 ImageNet 和 iNaturalist 上进行了全面的实验，并证明该方法能够显著提高长尾数据集上的网络表现。

    Jan, 2019

  • 调整决策边界用于类别不平衡学习

    本论文中，我们提出了一种新方法来解决神经网络训练中出现的类不平衡问题，这种方法旨在画出更好的决策边界并缩放权重向量，从而实现优秀的性能结果。

    Dec, 2019

  • 通过类级别梯度操作进行广义数据加权

    本文提出了一种称为广义数据加权（GDW）的方法，通过操作类别层面的梯度，同时减轻标签噪声（label noise）和类别不平衡（class imbalance）两大问题，从而实现了有效的性能改善，而且并不会引入额外的计算成本。

    Oct, 2021