面向长尾图像分类的复合批归一化方法

在使用数据重采样、重加权和间隔调整等鲁棒训练算法学习长尾数据分布下的图像分类神经网络方面已取得显著进展。然而，这些方法忽略了数据不平衡对特征归一化的影响。多数类（头部类）在估计统计量和仿射参数时的主导地位，导致较少出现类别的内部协变量偏移被忽视。为缓解这一挑战，我们提出了一种基于高斯混合的复合批归一化方法。它能更全面地建模特征空间并降低头部类的主导性。此外，采用基于滑动平均的期望最大化（EM）算法来估计多个高斯分布的统计参数。然而，EM算法对初始化敏感，容易陷入局部极小，其中多个高斯分量持续聚焦于多数类。为解决此问题，我们设计了一个双路径学习框架，采用类感知拆分特征归一化来使估计的高斯分布多样化，从而使高斯分量能更全面地拟合较少出现类别的训练样本。在常用数据集上的大量实验表明，所提方法在长尾图像分类上优于现有方法。