面向长尾识别的类感知 Universum 启发式重平衡学习
计算机视觉与模式识别
2022-08-12 v3
摘要
少数类的样本增广是长尾识别的有效策略，因此衍生出大量方法。尽管这些方法都保证了样本数量上的平衡，但增广样本的质量并不总是令人满意，容易出现过拟合、缺乏多样性、语义漂移等问题。针对这些问题，我们提出了面向长尾识别的类感知 Universum 启发式重平衡学习（CaUIRL），赋予 Universum 类感知能力，从样本数量和质量两方面重新平衡各个少数类。特别地，我们从贝叶斯视角理论上证明了 CaUIRL 学习到的分类器与在平衡条件下学习到的分类器一致。此外，我们进一步提出了一种高阶 mixup 方法，可在不借助任何外部数据的情况下自动生成类感知 Universum（CaU）数据。与传统 Universum 不同，此类生成的 Universum 还额外考虑了域相似性、类可分离性和样本多样性。在基准数据集上的大量实验证明了我们方法的显著优势，尤其少数类的 top1 准确率相比最先进（SOTA）方法提升了 1.9%–6%。
引用
@article{arxiv.2207.12808,
title = {Class-Aware Universum Inspired Re-Balance Learning for Long-Tailed Recognition},
author = {Enhao Zhang and Chuanxing Geng and Songcan Chen},
journal= {arXiv preprint arXiv:2207.12808},
year = {2022}
}