CUE：概念感知的多标签扩展，用于缓解长尾学习中的概念混淆
计算机视觉与模式识别
2026-05-05 v1
摘要
长尾分布常见于实际识别任务中，其中少数头部类别拥有大量样本，而大多数尾部类别则只有很少样本。最近，针对长尾学习微调基础模型受到关注，因为其优异的性能。然而，大多数现有方法仅关注缓解长尾分布偏置，忽略了由长尾分布引起的概念混淆。在本文中，我们研究了这一问题，并将其归因于在长尾分布下单标签监督的互斥性，这抑制了相关类别间的特征共享，放大了头部类别的主导作用，导致类别间可区分性受到破坏。为解决这一问题，我们提出了 CUE（Concept-aware mUlti-label Expansion），引入多标签概念信号以保留被破坏的类别间关系。具体而言，CUE 通过 (i) 从零样本 CLIP 中提取实例级视觉线索，和 (ii) 使用 LLM 生成类别级语义线索来构建概念集合；这两类线索通过分别加权的二元逻辑调整（BLA）辅助损失纳入，并与基线逻辑调整（LA）损失联合优化。在几个长尾基准数据集上，CUE 实现了均衡且优异的性能，超越了最近的领先方法。代码已公开：https://github.com/zhangruichi/CUE。
引用
@article{arxiv.2605.01309,
title = {CUE: Concept-Aware Multi-Label Expansion to Mitigate Concept Confusion in Long-Tailed Learning},
author = {Ruichi Zhang and Chikai Shang and Jiacheng Yang and Mengke Li and Yang Zhou and Junlong Gao and Yang Lu},
journal= {arXiv preprint arXiv:2605.01309},
year = {2026}
}
备注
10 pages. Accepted by CVPR 2026