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
本文从领域自适应的角度分析了分类中长尾类别分布的问题,提出了基于元学习的显式估计类别条件分布差异的方案,并在六个基准数据集和三个损失函数上进行了验证。
Mar, 2020
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
我们提出了梯度感知的逻辑调整(GALA)损失和预测再平衡策略来解决长尾数据问题,并在多个数据集上实验证明了其有效性。
Mar, 2024
该论文针对长尾数据分类的问题,从特征层面提出了特征增强及对数调整方法,用以平衡嵌入(embedding)分布,消除分类器偏差,实验表明该方法超越了现有的最佳方法。
不均匀数据的深度学习中的挑战及方法研究,重点关注长尾分类问题。
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
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
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