平衡锐度感知最小化用于不平衡回归

回归是计算机视觉中的基础任务，广泛应用于年龄估计、深度估计、目标定位等任务。然而，真实数据常常呈现不平衡分布，导致回归模型在目标值观测稀少的情况下表现不佳（即所谓的不平衡回归问题）。在本文中，我们将不平衡回归重新表述为一个不平衡泛化问题。为此，我们研究了损失锐度特性，用于衡量回归模型在观测空间中的泛化能力。即，在给定模型参数的某种扰动下，我们根据不同目标观测的损失值来检查模型性能的变化。我们提出了一种简单而有效的方法——平衡锐度感知最小化（BSAM），以强制回归模型在整个观测空间中具备均匀的泛化能力。具体而言，我们从传统的锐度感知最小化出发，然后引入一种新颖的针对性重加权策略，以均质化观测空间中的泛化能力，从而保证了理论泛化界。在包括年龄估计和深度估计在内的多个视觉回归任务上的广泛实验表明，我们的 BSAM 方法始终优于现有方法。代码可在 https://github.com/manmanjun/BSAM_for_Imbalanced_Regression 获取。