DBN-Mix：使用双边 Mixup 增强训练双分支网络用于长尾视觉识别
计算机视觉与模式识别
2024-02-19 v2 机器学习
摘要
从长尾类分布中学习的具有挑战性的视觉感知任务正引起越来越多的关注。训练数据集中的极端类不平衡使模型偏向于偏好识别多数类数据而非少数类数据。此外，少数类样本缺乏多样性使得难以找到良好的表示。在本文中，我们提出一种有效的数据增强方法，称为双边 mixup 增强，其可改善长尾视觉识别的性能。双边 mixup 增强结合了由均匀采样器与再平衡采样器生成的两个样本，并增强训练数据集以促进少数类的表示学习。我们还使用类明智温度缩放来减少分类器偏差，该方法在训练阶段按类不同地缩放 logits。我们将两种思路应用于双分支网络（DBN）框架，提出一种新模型，名为带双边 mixup 的双分支网络（DBN-Mix）。在流行的长尾视觉识别数据集上的实验表明，DBN-Mix 相较基线显著提升性能，且所提方法在部分基准类别上取得了最先进（SOTA）性能。
引用
@article{arxiv.2207.02173,
title = {DBN-Mix: Training Dual Branch Network Using Bilateral Mixup Augmentation for Long-Tailed Visual Recognition},
author = {Jae Soon Baik and In Young Yoon and Jun Won Choi},
journal= {arXiv preprint arXiv:2207.02173},
year = {2024}
}