CVPRMar, 2024

LTGC：借助 LLMs 驱动的生成内容进行长尾识别

PDF
TL;DR本文提出了一种新的生成和微调框架，LTGC（Long-Tail Generative and Fine-Tuning Framework），通过利用生成的内容来处理长尾识别问题。该框架通过利用大规模模型中丰富的隐式知识来解析和推理原始尾部数据，生成多样的尾部类别内容，并通过几种新颖的设计确保生成数据的质量，以及利用生成和原始数据进行高效微调。可视化结果证明了 LTGC 中生成模块的有效性，它能产生准确且多样的尾部数据，实验结果表明我们的 LTGC 在流行的长尾基准测试中优于现有的最先进方法。
发现论文，激发创造
  • 基于潜在类别识别的长尾图像分类 LCReg

    通过深度学习技术，本研究提出了一种新的长尾图像识别方法，通过学习共享的隐含特征来改进特征表征，并在这些特征上进行语义数据增强，以提高训练样本的多样性，显著改善了基线模型。

    Sep, 2023

  • 寻找长尾：通过逻辑规则引导搜索系统生成长尾知识

    大型语言模型，长尾分布，逻辑诱导知识搜索框架，数据集，蕴涵分类。

    Nov, 2023

  • 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

  • 在图上表征长尾类别

    本文提出了长尾数据在图分类中的泛化界限，为了解决这个问题，我们引入了多任务学习，并建立了一个通用框架 Tail2Learn，该框架通过分层任务分组模块和平衡对比学习模块，可以提高长尾类别在图上的性能。

    May, 2023

  • 全局和局部混合一致性累积学习用于长尾视觉识别

    该论文提出了一种名为 GLMC 的训练策略，旨在解决长尾视觉识别中的特征提取器鲁棒性和分类器偏差问题，其中核心思想包括全局和局部混合一致性损失、累积头尾软标签权重损失等，该方法在多个数据集上达到了最新的准确度，并证明了其对提高邻近算法泛化的有效性。

    May, 2023

  • 增强型长尾图对比学习推荐

    我们提出了一种新颖的长尾增强图对比学习（LAGCL）方法，通过引入可学习的长尾增强方法来增强尾节点，并基于增强的图生成对比视图，显著改善了推荐系统的性能。

    Sep, 2023

  • Fill-Up: 用生成模型平衡长尾数据

    该研究提出了一种新的基于 Textual Inversion 的图像合成流程，利用生成的图像填充 real-world 数据不平衡情况，该方法在长尾识别方面取得了最先进的结果。

    Jun, 2023

  • 运用头脑：提升长尾视频识别

    本文对长尾视频识别进行了研究，提出了新的视频基准数据集和一种名为 Long-Tail Mixed Reconstruction 的方法，可显著减少过拟合并取得了最新的平均分类精度。

    Apr, 2023

  • 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