面向不平衡深度学习的类别修正难样本挖掘
计算机视觉与模式识别
2017-12-11 v1
摘要
识别图像中人物的精细面部或衣物属性是计算机视觉中的一项挑战性任务，尤其当训练数据规模极大且不同属性类别间极度不平衡时。为解决该问题，我们提出了一种从不平衡大规模训练数据中针对少数属性类别进行批量增量难样本挖掘的新方案。我们开发了一种端到端深度学习框架，能够通过发现少数类别的稀疏采样边界来避免多数类别的主导效应。这是通过引入一种类别修正损失（CRL）正则化算法实现的。我们在两个大规模不平衡基准数据集——CelebA 面部属性数据集与 X-Domain 衣物属性数据集上，展示了 CRL 相对于现有最先进的属性识别与不平衡数据学习模型的优势与可扩展性。
引用
@article{arxiv.1712.03162,
title = {Class Rectification Hard Mining for Imbalanced Deep Learning},
author = {Qi Dong and Shaogang Gong and Xiatian Zhu},
journal= {arXiv preprint arXiv:1712.03162},
year = {2017}
}