ACE：用于一次性解决长尾识别的互补专家联盟
计算机视觉与模式识别
2021-08-06 v1
摘要
单阶段长尾识别方法以“跷跷板”方式提升整体性能，即要么牺牲头部类别准确率以换取更好的尾部分类，要么进一步抬高头部类别准确率却忽视尾部。现有算法通过多阶段训练流程规避此种权衡：在失衡集上预训练并在平衡集上微调。尽管取得了可观性能，它们不仅对预训练模型的泛化性敏感，而且不易集成到检测与分割等其他计算机视觉任务中，因为仅分类器的预训练并不适用。本文提出一种单阶段长尾识别方案——互补专家联盟（ACE），其中每个专家是在其主导训练的子集中最具知识的专家，并在少见类别上与其他专家互补，且不受其从未见过类别的干扰。我们设计了分布自适应优化器来调整各专家的学习节奏以避免过拟合。无需特殊技巧，原始 ACE 在 CIFAR10-LT、CIFAR100-LT、ImageNet-LT 和 iNaturalist 数据集上以 3–10% 的优势超越当前单阶段 SOTA 方法。它还被证明是首个仅在一个阶段中同时提升多数与少数类别准确率从而打破“跷跷板”权衡的方法。代码与训练模型见 https://github.com/jrcai/ACE。
引用
@article{arxiv.2108.02385,
title = {ACE: Ally Complementary Experts for Solving Long-Tailed Recognition in One-Shot},
author = {Jiarui Cai and Yizhou Wang and Jenq-Neng Hwang},
journal= {arXiv preprint arXiv:2108.02385},
year = {2021}
}
备注
ICCV 2021 (Oral)