MMOct, 2021

长尾分布自适应

PDF
TL;DR本研究通过将长尾分布建模为不平衡领域，一般分布建模为平衡领域，提出了一种基于域适应的长尾识别解决机制。该机制通过松弛一般化误差界限、优化不平衡和平衡领域的经验风险、以及利用类内和类间距离来逼近域分歧，以可解释的方式将基于长尾分布的模型适应到一般分布中，实验结果验证了其在图像识别、物体检测和实例分割等方面达到了最先进的性能水平。
long-tailed recognitiondomain adaptationgeneralization error boundintra-class and inter-class distancesstate-of-the-art performance
发现论文，激发创造
  • 从域自适应的角度重新思考针对长尾视觉识别的类别平衡方法

    本文从领域自适应的角度分析了分类中长尾类别分布的问题，提出了基于元学习的显式估计类别条件分布差异的方案，并在六个基准数据集和三个损失函数上进行了验证。

    Mar, 2020

  • 应对领域转移下的长尾类别分布

    使用三种新的核心功能块，以及集成在元学习框架中，解决长尾分布分类和领域漂移问题，提高了领域泛化在新的目标领域上的表现。

    Jul, 2022

  • 领域平衡：长尾领域上的人脸识别

    该论文提出了一种用于应对面部识别任务中的长尾领域分布问题的新型机制。该机制利用一个领域频率指示器来判断样本是否属于头部或尾部领域，通过微调网络来平衡领域分布，同时在损失函数中使用了一个领域平衡边界，以优化特征空间并提高模型的泛化能力。实验表明，该方法有效提高了模型的泛化能力并实现了卓越的性能。

    Mar, 2020

  • 长尾分类的标签感知分布校准

    本文提出了一种新的分布校准方法，名为标签感知分布校准（LADC），它利用头部类的相关统计信息丰富尾部类，从而更准确地校准长尾分布的数据集。实验结果表明 LADC 显著优于现有的方法。

    Nov, 2021

  • 长尾视觉识别中的标签分布解耦

    该研究论文提出了一种基于标签分布解缠模型预测的方法 (LADE) 用于解决长尾视觉识别的问题，其在多个基准数据集上表现优于现有方法，具有很好的实用价值。

    Dec, 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

  • 从头到尾传递知识：长尾分布下的不确定性校准

    本论文研究如何从长尾分布的样本中训练模型并校准，利用知识转移和重要性权重估算方法，将尾部类别的目标概率密度适应地从头部类别中传输，实现了长尾分布校准，并在多个数据集上证实了该方法的有效性。

    Apr, 2023

  • 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

  • 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

  • 多域长尾识别、不平衡域泛化及其它

    研究多领域长尾识别（MDLT）的任务，该任务学习来自多领域的不平衡数据，同时处理标签不平衡、领域漂移和不同领域间标签分布的差异，并推广到所有领域 - 类别对。提出了 BoDA 这一理论上基础的学习策略，它跟踪 MDLT 中的传递性统计的上限，并确保在不平衡的领域 - 类别分布之间平衡对齐和校准。在五个 MDLT 基准测试中，与涵盖不同学习策略的二十种算法进行了比较，实验结果显示 BoDA 具有更好的性能表现。此外，BoDA 在领域泛化基准测试中建立了新的最优效果，凸显跨领域的数据不平衡问题的重要性，这对于提高对未知领域的泛化能力可能至关重要。

    Mar, 2022