通过分层分类调整实现深度不平衡回归

计算机视觉中的回归任务，如年龄估计或计数，通常通过将目标空间量化为类别而转化为分类问题。然而真实世界数据常常是不平衡的——大多数训练样本位于目标值的头部区间，而少数样本分布在通常更大的尾部区间。通过选择类别量化方式，可以将不平衡回归目标调整为平衡的分类输出，尽管在平衡分类精度与量化误差之间存在权衡。为改善整个数据范围内的回归性能，我们提出构建分层分类器来解决不平衡回归任务。细粒度分类器限制了量化误差，同时由粗粒度预测调制以确保高准确率。然而，标准的分层分类方法在应用于回归问题时，无法确保预测区间在分层之间保持一致。为此，我们提出一种区间保持蒸馏过程，能有效从一组分层分类器中学习单一分类器。我们提出的新颖的不平衡回归分层分类调整（HCA）在三个不同任务上展示了优越结果：年龄估计、人群计数与深度估计。我们将在录用后发布源代码。