Jun, 2023

CDLT: 面向细粒度视觉分类的带概念漂移和长尾分布的数据集

PDF
TL;DR为实现精细视觉分类技术的实际推广，创造了一个概念漂移和长尾分布数据集，其中 11195 张图片在 47 个连续月中收集，使用了最先进的分类模型进行了广泛的基线实验。
发现论文，激发创造
  • 尾部蕴藏玄机：野外细粒度分类

    这篇论文研究了长尾分布对计算机视觉和视觉识别的影响，通过对大规模细粒度分类数据集和深度学习分类算法的分析，发现训练样本数量对分类性能的影响非常大，迁移学习在当前方法中表现欠佳，因此研究人员建议应对长尾分布的问题进行全面思考。

    Sep, 2017

  • 长尾识别的广义类别发现

    通过研究基于长尾分布的广义类别发现 (Long-tailed GCD) 范式，以及支持稀有类别和预期类别分布的重新加权机制和类先验约束，我们提出的方法在 ImageNet100 上实现了约 6-9% 的改善，并在 CIFAR100 上取得了有竞争力的性能。

    Dec, 2023

  • VideoLT: 大规模长尾视频识别

    介绍了 VideoLT 数据集，通过 FrameStack 方法对视频中的长尾现象进行处理，通过实验证明该方法可以提高分类性能，而不会牺牲整体准确率。

    May, 2021

  • 大规模细粒度分类和领域特定的迁移学习

    本研究提出了一种从大规模数据集到小规模、特定领域细粒度图像分类（Fine Grained Visual Categorization, FGVC）任务的迁移学习方法，并通过 Earth Mover's Distance 提出了一种衡量领域相似度的方法，实现了目标领域与数据源领域之间的知识迁移，得到了最先进的结果。

    Jun, 2018

  • 走向联邦长尾学习

    本文探讨如何在隐私保护联邦学习框架下，同时解决学习长尾数据分布及数据隐私保护问题，提出了三种不同的长尾数据分布情景，并强调了相应的挑战。初步结果表明，解决联邦长尾学习任务需要更多的工作和研究。

    Jun, 2022

  • 通过协同专家实现图分类的长尾识别

    通过协同多专家学习 (CoMe) 提出了一种新的长尾图级分类框架，从头部和尾部类的视角发展出平衡对比学习和基于难类挖掘的个体专家分类器训练，并在多专家框架中进行门控融合和解耦知识蒸馏。通过在七个广泛应用的基准数据集上进行全面实验，证明了我们的 CoMe 方法相对于现有技术基准的优势。

    Aug, 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

  • 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

  • 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