应对领域转移下的长尾类别分布

ECCVJul, 2022

Tackling Long-Tailed Category Distribution Under Domain Shifts

Xiao Gu, Yao Guo, Zeju Li, Jianing Qiu, Qi Dou...

TL;DR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。

Abstract

machine learning models fail to perform well on real-world applications when 1) the category distribution P(Y) of the training dataset suffers from long-tailed distribution and 2) the test data is drawn from different conditional distributions P(X|Y). Existing approaches cannot handle

machine learning long-tailed classification domain shifts meta-learning target domains

发现论文，激发创造

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

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

HeroLT：异构长尾学习基准评估

本文提出了一个最综合的长尾学习基准 HeroLT，其中包含 13 种最先进的算法和 6 种评估指标，旨在从数据长尾性、各种领域的数据复杂性和新任务的异构性三个方面提供长尾学习的系统视图，并对未来的研究方向进行了探讨。

Jul, 2023

长尾数据的特征空间增强

本文提出了一种新方法，通过在特征空间中使用来自具有丰富样本的类别所学习的特征来增强特征空间中的欠表示类别，从而解决长尾分布问题。通过使用类别激活映射，将每个类别的特征分解为类别通用和类别特定部分，并将欠表示类别的类别特定特征与混淆类别的类别通用特征融合，实时生成新样本。结果表明，在 iNaturalist、ImageNet-LT、Places-LT 以及 CIFAR 的长尾版本等数据集上，本文所提出的方法展现了最先进的表现水平。

Aug, 2020

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

在图上表征长尾类别

本文提出了长尾数据在图分类中的泛化界限，为了解决这个问题，我们引入了多任务学习，并建立了一个通用框架 Tail2Learn，该框架通过分层任务分组模块和平衡对比学习模块，可以提高长尾类别在图上的性能。

May, 2023

标签噪声下的鲁棒长尾学习

研究了在长尾标签分布下标签噪声问题，提出了一种新的原型噪声检测方法及一个鲁棒的框架，该框架通过软伪标签技术和半监督学习算法进一步提高了泛化性能，并且在基准和真实数据集上表现优于现有基线模型，尤其是比 DivideMix 模型测试精度高出 3％。

Aug, 2021

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

通过推理想象：一种基于推理的隐式语义数据增强方法，用于长尾分类

本文提出了一种新颖的基于推理的隐性语义数据增广方法来缓解长尾分布数据分类算法性能下降的问题，并通过构建协方差矩阵和知识图谱，从相似类别中采样新方向来生成新的样本实例，从而适应性增强长尾数据，实验证明该方法有效。

Dec, 2021

深度长尾分类进展综述

不均匀数据的深度学习中的挑战及方法研究，重点关注长尾分类问题。

Apr, 2024