以数据为中心的长尾图像识别

在长尾场景下，模型对高质量数据表现出强烈需求。以数据为中心的方法旨在提升数据的数量与质量以改善模型性能。其中，信息增强已逐步作为一种关键类别被引入。其通过增强尾类样本的丰富度与数量来平衡模型性能。然而，目前缺乏解释信息增强方法有效性的底层机制研究。因此，长尾识别任务中信息增强的利用高度依赖经验性与精细调参。本文做出两项主要贡献。首先，我们从特征多样性与分布偏移视角切入，引入特征多样性增益（FDG）概念以阐明信息增强为何有效。我们发现信息增强的性能可由 FDG 解释，且当 FDG 达到适当平衡时性能达峰。实验结果表明，通过使用 FDG 筛选增强数据，我们可在无需修改模型架构的情况下进一步提升模型性能。因此，除新模型结构开发外，以数据为中心的方法在长尾识别领域具显著潜力。此外，我们首次系统性地介绍了以数据为中心的长尾学习框架的核心组件与基本任务。这些核心组件指导系统的实现与部署，而相应基本任务细化并拓展了该研究领域的边界。