一种具有分支间与分支内对比损失的双分支长尾识别模型
计算机视觉与模式识别
2023-09-29 v1
摘要
真实世界数据常呈现长尾分布，其中头部类占据大部分数据，而尾部类仅有极少样本。在长尾数据集上训练的模型对尾部类适应性差且决策边界模糊。因此，本文提出一种简单而有效的模型，称为双分支长尾识别（DB-LTR），其包含一个不平衡学习分支和一个对比学习分支（CoLB）。不平衡学习分支由共享主干和线性分类器组成，利用常见的不平衡学习方法解决数据不平衡问题。在CoLB中，我们为每个尾部类学习一个原型，并计算分支间对比损失、分支内对比损失和度量损失。CoLB能提升模型对尾部类的适应能力，并辅助不平衡学习分支学习具有良好表示的特征空间与判别性决策边界。在三个长尾基准数据集（即CIFAR100-LT、ImageNet-LT和Places-LT）上的大量实验表明，我们的DB-LTR具有竞争力且优于对比方法。
引用
@article{arxiv.2309.16135,
title = {A dual-branch model with inter- and intra-branch contrastive loss for long-tailed recognition},
author = {Qiong Chen and Tianlin Huang and Geren Zhu and Enlu Lin},
journal= {arXiv preprint arXiv:2309.16135},
year = {2023}
}
备注
Published at Neural Networks