面向长尾视觉识别的平衡激活
机器学习
2020-08-26 v1 机器学习
摘要
深度分类器在视觉识别中取得了巨大成功。然而，现实世界的数据本质上是长尾的，导致训练与测试分布之间的不匹配。在本报告中，我们提出平衡激活（平衡 Softmax 与平衡 Sigmoid），这是对 Sigmoid 和 Softmax 激活函数的一种优雅、无偏且简单的扩展，用于适应目标检测中训练与测试之间的标签分布偏移。我们推导了多类 Softmax 回归的泛化界，并表明我们的损失最小化了该界。在实验中，我们证明平衡激活在 LVIS-1.0 上通常带来约 3% 的 mAP 提升，并且在无需引入任何额外参数的情况下优于当前最先进（SOTA）方法。
引用
@article{arxiv.2008.11037,
title = {Balanced Activation for Long-tailed Visual Recognition},
author = {Jiawei Ren and Cunjun Yu and Zhongang Cai and Haiyu Zhao},
journal= {arXiv preprint arXiv:2008.11037},
year = {2020}
}
备注
LVIS Challenge Workshop at ECCV 2020 Spotlight. arXiv admin note: substantial text overlap with arXiv:2007.10740