面向不平衡数据分类的动态课程学习
计算机视觉与模式识别
2019-08-16 v2
摘要
人体属性分析是计算机视觉领域的一项具有挑战性的任务，因为数据呈高度不平衡分布。重采样和代价敏感学习等常用技术需要先验知识来训练系统。为解决此问题，我们提出一种称为动态课程学习（Dynamic Curriculum Learning, DCL）的统一框架，在单个批次内在线自适应地调整采样策略与损失学习，从而获得更好的泛化与判别能力。受课程学习启发，DCL由两级课程调度器组成：（1）采样调度器不仅管理从不平衡到平衡的数据分布，还管理从易到难的数据分布；（2）损失调度器控制分类损失与度量学习损失之间的学习重要性。基于这两个调度器的学习，我们在广泛使用的人脸属性数据集CelebA和行人属性数据集RAP上以新的最先进性能展示了我们的DCL框架。
引用
@article{arxiv.1901.06783,
title = {Dynamic Curriculum Learning for Imbalanced Data Classification},
author = {Yiru Wang and Weihao Gan and Jie Yang and Wei Wu and Junjie Yan},
journal= {arXiv preprint arXiv:1901.06783},
year = {2019}
}