不均衡标签样本分布下的时尚检测数据高效训练

May, 2023

不均衡标签样本分布下的时尚检测数据高效训练

Data Efficient Training with Imbalanced Label Sample Distribution for Fashion Detection

Xin Shen, Praful Agrawal, Zhongwei Cheng

TL;DR本文介绍了一种基于深度神经网络的加权目标函数方法，用于解决电子商务中多标签分类模型数据分布不平衡的问题，并以时尚属性检测为例进行了实验，结果表明相比于非加权和逆频率加权机制，采用新的加权机制的表现更好，同时验证了该方法在当今时尚业常见属性检测中的鲁棒性。

Abstract

multi-label classification models have a wide range of applications in E-commerce, including visual-based label predictions and language-based sentiment classifications. A major challenge in achieving satisfactory performance for these tasks in the real world is the notable imbalance i

multi-label classification data distribution imbalance dnns weighted objective function fashion attribute detection

发现论文，激发创造

渐进式时尚属性提取

本文提出了一种渐进式训练方法，针对时装类别的多类属性识别问题，使用单个模型进行多类属性识别，从而获得对丢失和模糊标记数据鲁棒性和精细属性的提取的高准确性

Jun, 2019

长尾类分布的多标签文本分类平衡方法

研究了在多标签文本分类中应用分布平衡损失函数的有效性，结果表明分布平衡损失函数优于常用的损失函数，尤其是在类别不平衡和标签耦合问题同时存在时。

Sep, 2021

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

长尾数据集中多标签分类的分布平衡损失

本文提出了一种称为分布平衡损失函数的新方法，用于解决多标签识别问题中遇到的长尾类分布、标签共现和负标签占主导的问题，并通过实验验证了该方法的有效性。

Jul, 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

探索长尾识别问题中的权重平衡

研究了一种针对长尾数据的方法，基于权重平衡和两阶段训练结合的经典正则化技术，通过分析神经崩溃和锥效应，发现该方法是通过权重衰减和交叉熵损失以及类平衡损失调整的隐式 logit 方法增加特征提取器的 Fisher 判别比率。研究表明，通过将训练阶段的数量减少到一个并提高准确性，可以进一步简化训练方法。

May, 2023

多标签自适应批量选择：突出困难和不平衡样本

深度神经网络模型对多标签数据进行分类，然而在构建小批量时，类别不平衡导致模型对多数标签偏向，本研究引入了适用于多标签深度学习模型的简单且有效的自适应批量选择算法，优先选择与少数标签相关的困难样本，实验证明我们的方法比随机批量选择更快地收敛并且性能更好。

Mar, 2024

利用弱标注数据进行时尚图像检索和标签预测

本文提出一种基于弱监督学习的视觉表示学习方法，适用于电子商务产品。采用噪声数据集进行学习，不需要手动标注，其学习表示可用于服装类别的向下分类和图像检索任务，并且不使用所提供的训练集，实现了几乎最先进的结果。

Sep, 2017

深度学习中学习重新加权示例的重新实现

通过元训练和在线权重逼近方法，本文旨在解决使用深度神经网络时出现的噪声标签和训练集偏差对模型表现造成的问题，并通过使用充满挑战的不平衡图像数据集进行皮肤癌检测的真实问题来验证这一方法。

May, 2024

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