用于长尾识别的对齐对比损失
计算机视觉与模式识别
2025-06-03 v1
摘要
在本文中，我们提出了一种对齐对比学习（ACL）算法来解决长尾识别问题。我们的研究结果表明，虽然多视图训练提升了性能，但随着视图数量的增加，对比学习并不能持续增强模型的泛化能力。通过对监督对比学习（SCL）进行理论梯度分析，我们发现梯度冲突以及正负样本对之间不平衡的吸引与排斥梯度是潜在的问题。我们的 ACL 算法旨在消除这些问题，并在多个基准测试中展现出优异的性能。我们通过在长尾 CIFAR、ImageNet、Places 和 iNaturalist 数据集上的实验验证了 ACL 的有效性。结果表明，ACL 达到了新的 state-of-the-art 性能。
引用
@article{arxiv.2506.01071,
title = {Aligned Contrastive Loss for Long-Tailed Recognition},
author = {Jiali Ma and Jiequan Cui and Maeno Kazuki and Lakshmi Subramanian and Karlekar Jayashree and Sugiri Pranata and Hanwang Zhang},
journal= {arXiv preprint arXiv:2506.01071},
year = {2025}
}
备注
Accepted by CVPR 2025 DG-EBF Workshop