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
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
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
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
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
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
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
本研究提出通过保留特定类别低频率的能力,并设计了一种有效的残差融合机制来缓解极不平衡数据分布的深度学习算法应用长尾数据分布时普遍存在的问题,通过在参数空间的角度来解决长尾识别问题,并在多个基准数据集上进行了测试,证明了方法的有效性。
Jan, 2021
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。
本文提出了一种基于鲁棒性理论的新型损失函数,旨在解决深度模型在处理不平衡数据时的分类偏差问题,从而提高对于长尾类别的识别准确性。在多项基准测试中,通过降低特征空间中头类别的表示偏差,该方法相较于已有方法以及 SOTA 方法均得到了更好的效果。