Nov, 2021

长尾分类的标签感知分布校准

PDF
TL;DR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。
long-tailed distributionsneural networksimbalanced datadistribution calibrationtail classes
发现论文，激发创造
  • 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

  • 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

  • 长尾分布自适应

    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。

    Oct, 2021

  • 长尾视觉识别的类分布感知校准

    本文提出了一种考虑类别分布的深度神经网络模型校准方法，针对高频类别过于自信的问题，通过使用类别频率信息来替换温度值或平滑标签，并结合蒸馏损失减少误校准。实验证明该方法在长尾数据集上提高了预测准确性和校准性能。

    Sep, 2021

  • 可学习的类别名称的长尾异常检测

    用于检测多个类别和长尾类别的缺陷的一种新方法，将异常检测与重构模块以及语义异常检测模块相结合，利用学习到的伪类名和预训练的基础模型进行二进制分类，通过两个阶段的学习，可以有效地解决真实应用中长尾数据分布的问题，并在大多数形式的数据集不平衡中显著优于其他最先进的方法。

    Mar, 2024

  • 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

  • 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

  • 类平衡蒸馏在长尾视觉识别中的应用

    提出了一种新的框架 CBD，利用知识蒸馏增强特征表示，通过使用类平衡采样，第二阶段的训练使得特征表示能够在少数类上进化，可以自然的适用多个 Teachers，并在 ImageNet-LT，iNaturalist17 和 iNaturalist18 数据集上取得比现有技术更好的性能。

    Apr, 2021

  • 面向长尾视觉识别的校准模型

    提出了两种新方法，一种是平衡取向的数据增强（Uniform Mixup），另一种是基于贝叶斯理论的 Bayes Bias，并通过理论和实验证明，这两种方法能够确保分类校准和提高性能。

    Nov, 2021

  • 长尾识别中的新型类别发现

    基于等角原型表示的自适应自标记策略，通过解决弛化的最优传输问题，更有效地发现不平衡的新类别，从而有效减轻已知和新类别学习中的偏差，并在 CIFAR100、ImageNet100、Herbarium19 和大规模 iNaturalist18 数据集上取得了卓越的结果。

    Aug, 2023