Aug, 2023

多标签长尾学习的鲁棒非对称损失

PDF
TL;DR本文提出了一种鲁棒的不对称损失函数，能够同时解决长尾和多标签分类问题，适用于医学图像分类任务，能够有效缓解多个超参数优化困难和模型过拟合的风险。实验证明该方法在长尾多标签医学图像分类和其他长尾单标签数据集上具有较好的性能，且在 ICCV CVAMD 2023 竞赛的 CXR-LT 数据集上取得 Top-5 的结果。
long-tailed distributionsmultiple labelsasymmetric losspolynomial functionmedical image classification
发现论文，激发创造
  • 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

  • 长尾学习的分布鲁棒性损失

    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。

    Apr, 2021

  • 基于胸部 X 射线的长尾、多标签疾病分类研究概述：CXR-LT 挑战的综述

    在医学图像识别中，我们提出了一个长尾多标签疾病分类的问题，并通过一个公开的挑战 (CXR-LT) 提供了一个大规模数据集来解决这个问题。我们总结了表现最好的解决方案的共同主题，并提出了对于长尾多标签医学图像分类的实用建议，最后，我们利用这些观察结果提出了基于视觉语言模型的少标签和零标签疾病分类的前进方向。

    Oct, 2023

  • 长尾分布下的对抗鲁棒性

    本文探讨了长尾分布下的对抗鲁棒性问题，并提出了一个名为 RoBal 的有效算法框架，该框架包括两个模块：一个尺度不变分类器和数据再平衡。

    Apr, 2021

  • 多标签分类的不对称损失

    通过引入新的不对称损失 (ASL) 并对正负样本进行不同的操作，实现了动态减小容易的负样本，并去除可能被错误标记的样本，使得多标签数据集像 MS-COCO、Pascal-VOC、NUS-WIDE 和 Open Images 的 mAP 得分更加平衡，达到了最新的表现水平，同时也展示了 ASL 适用于其他任务，如单标签分类和物体检测。

    Sep, 2020

  • 多标签分类的不对称多项式损失

    本文提出了一种有效的非对称多项式损失函数 (APL)，通过泰勒展开和改进多项式函数系数等方式，采用非对称聚焦机制减缓了二元交叉熵 (BCE) 损失函数不足之处，并验证了多项式系数可以重新校准非对称聚焦超参数，实验证明了该方法可以在关系提取、文本分类和图像分类等方面持续提高性能。

    Apr, 2023

  • 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

  • 面向长尾视觉识别的特征平衡损失

    本文提出了通过使用平衡的特征损失，通过课程学习来加强长尾类别的激励，强化尾部类别的特征规范，从而提高了长尾问题的性能，并在多个受欢迎的长尾识别基准上实现了优越的性能增益。

    May, 2023

  • 基于标签感知的有界 CVaR 的鲁棒长尾学习

    本文提出了两种基于 CVaR（条件风险值）的方法来改善长尾学习问题，在理论上提供了坚实的支持，通过实验证实了所提出方法的优越性。

    Aug, 2023

  • 大规模长尾疾病放射学图像诊断

    研究针对放射学图像的大规模、大词汇疾病分类问题进行调查，该问题可被定义为多模态、多解剖结构、多标签、长尾分类，三个主要贡献为：（i）构建一个包含 5568 个隶属于 930 个唯一 ICD-10-CM 编码的疾病的学术可访问的大规模诊断数据集，包含 39026 例病例（192675 张扫描）；（ii）提出一种新的架构，可以处理任意数量的来自不同成像模态的输入扫描，通过知识增强进行训练以利用丰富的领域知识；（iii）针对多模态多解剖结构长尾诊断初始化了一个新的基准测试。我们的方法在该基准测试上展示了优越的结果。此外，我们的最终模型可以作为预训练模型，可以进行微调以从各种外部数据集中受益于诊断。

    Dec, 2023