带有循环分类器的类别平衡 GAN
机器学习
2021-06-18 v1 人工智能
计算机视觉与模式识别
摘要
生成对抗网络（GANs）已迅速发展，能够模仿日益复杂的图像分布。然而，大多数进展都集中在 GANs 在平衡数据集上的性能。我们发现，现有的在平衡数据集上表现良好的 GANs 及其训练机制，在不平衡（即长尾）数据集上无法有效发挥作用。在这项工作中，我们引入了一种新颖的、具有理论动机的类别平衡正则化项用于训练 GANs。我们的正则化项利用预训练分类器的知识，以确保数据集中所有类别的平衡学习。这是通过基于神经网络中观察到的指数遗忘来建模有效类别频率，并鼓励 GAN 聚焦于代表性不足的类别来实现的。我们通过在多个数据集上比现有方法取得更好的性能，展示了我们的正则化项在学习长尾分布表示中的效用。具体而言，当应用于无条件 GAN 时，它在长尾 iNaturalist-2019 数据集上将 FID 从 改善至 。
引用
@article{arxiv.2106.09402,
title = {Class Balancing GAN with a Classifier in the Loop},
author = {Harsh Rangwani and Konda Reddy Mopuri and R. Venkatesh Babu},
journal= {arXiv preprint arXiv:2106.09402},
year = {2021}
}
备注
UAI 2021