FASA：面向长尾实例分割的特征增强与采样自适应
计算机视觉与模式识别
2021-10-01 v2
摘要
近期用于长尾实例分割的方法在训练数据稀少的稀有目标类别上仍表现不佳。我们提出一种简单而有效的方法，特征增强与采样自适应（FASA），它通过增强特征空间（尤其针对稀有类别）来解决数据稀缺问题。特征增强（FA）与特征采样组件均对实际训练状态自适应——FA由过去迭代中观测到的真实样本的特征均值与方差所告知，并且我们以损失自适应的方式采样生成的虚拟特征以避免过拟合。FASA不需要任何精巧的损失设计，并去除了常涉及高成本与人工定义的头/尾类别组的类间迁移学习的需要。我们表明FASA是一种快速、通用的法，可轻松插入标准或长尾分割框架中，带来一致的性能提升与极小的额外成本。FASA也适用于其他任务，如长尾分类，并达到最先进性能。
引用
@article{arxiv.2102.12867,
title = {FASA: Feature Augmentation and Sampling Adaptation for Long-Tailed Instance Segmentation},
author = {Yuhang Zang and Chen Huang and Chen Change Loy},
journal= {arXiv preprint arXiv:2102.12867},
year = {2021}
}