Difficulty-Net：学习预测长尾识别中的难度

长尾数据集中，头部类包含的训练样本远多于尾部类，导致识别模型偏向头部类。加权损失是缓解此问题最流行的方法之一，近期有工作指出，相比 conventionally 使用的类频率，类难度可能是决定权重分布的更好线索。先前工作采用启发式公式来量化难度，但我们通过实证发现最优公式随数据集特性而变化。因此，我们提出Difficulty-Net，它在元学习框架中利用模型表现来学习预测类的难度。为使模型在其他类的语境下学到合理的类难度，我们新引入两个关键概念，即相对难度与驱动损失。前者帮助Difficulty-Net在计算某类难度时考虑其他类，而后者对于引导学习朝向有意义的方向不可或缺。在流行长尾数据集上的大量实验证明了所提方法的有效性，并在多个长尾数据集上取得了最先进的性能。