Aug, 2023

平衡分类：长尾物体检测的统一框架

PDF
TL;DR本文介绍了一种名为 BAlanced CLassification（BACL）的统一框架，用于应对长尾数据分类偏差问题，该框架通过自适应校正类别分布中的不平等和动态增强样本多样性来解决这些问题。具体采用了前景分类平衡损失（FCBL）和动态特征幻化模块（FHM），在 LVIS 基准上取得了 5.8％ AP 和 16.1％ AP 的性能提升。
long-tailed dataclassification biasimbalanced distributionforeground classification balance lossdynamic feature hallucination module
发现论文，激发创造
  • 探索长尾目标检测中的分类平衡

    本研究提出使用平均分类得分来指示每个类别的分类准确性，并通过平衡损失和记忆增强特征采样方法，在长尾检测中找到分类平衡，显著提高了尾部类的检测性能，且代码可用。

    Aug, 2021

  • 面向长尾视觉识别的平衡对比学习

    本研究提出一种适用于长尾数据的平衡对比学习方法 (BCL)，通过均衡梯度贡献和多类别出现于每次 mini-batch 的方式，使分类器实现更好的优化，并在多个长尾数据集上超过了现有竞争对手 (ClFAR-10-LT,CIFAR-100-LT, ImageNet-LT, 以及 iNaturalist2018)

    Jul, 2022

  • 密集长尾目标检测的均衡焦点损失

    研究表明，采用传统的聚焦损失平衡训练流程难以解决长尾数据分布下某些类别正负样本不平衡的问题，作者因此提出了一种称之为 Equalized Focal Loss (EFL) 的损失函数，该方法采用与类别相关的调节因子来平衡不同类别的正负样本损失贡献，并通过 LVIS v1 基准测试表明该方法在稀有类别上有显著的性能提升。

    Jan, 2022

  • 使用平衡分组 softmax 解决长尾目标检测中分类器不平衡问题

    本文针对长尾大词汇物体检测的低效性进行了系统分析，提出了一种基于组内平衡 Softmax（BAGS）的解决方案，它能够通过分组培训平衡分类器，显著提高检测器的性能，超越了源自长尾图像分类的所有现有方法，并在最新的 LVIS 检测基准数据集上实现了新的最佳结果。

    Jun, 2020

  • 长尾分类的类实例平衡学习

    该研究提出了一种新的类实例平衡损失 (CIBL) 方法，以在训练数据的类频率不平衡时，通过重新平衡交叉熵损失和对比损失的相对贡献来获得更平衡的性能表现，并且通过使用余弦分类器，可以在更少的 epochs 中获得类似的性能表现。

    Jul, 2023

  • 用于长尾目标检测的自适应类别压制损失

    该研究提出了一种名为 ACSL 自适应类别压制损失的方法来解决大词汇目标检测任务中长尾分布问题，并在 LVIS 和 Open Images 上取得了新的最佳表现。

    Apr, 2021

  • 从不平衡中构建平衡：长尾图像识别

    本文提出了一种新的解决长尾图像识别中头尾偏差问题的方法，通过调整标签空间来平衡数据，从而提高分类性能。实验证明该方法可应用于多种模型，并为长尾特征学习提供了思路。

    Aug, 2022

  • 纠正长尾目标检测中的回归偏差

    长尾目标检测中存在回归偏差，并且此研究首次尝试揭示和纠正回归偏差对长尾目标检测的影响。

    Jan, 2024

  • 长尾识别中的子类平衡对比学习

    本文提出了一种新的 “子类平衡对比学习（SBCL）” 方法，通过在表示空间中对头类聚类，以捕捉头类和尾类之间的两层类层次结构，实现了实例和子类平衡，并通过在不同类之间的子类对比学习来学习原始类标签。

    Jun, 2023

  • 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