面向长尾分类的特征生成
计算机视觉与模式识别
2021-11-12 v1 机器学习
摘要
视觉世界自然地表现出物体或场景实例数量的不平衡，导致长尾分布。这种不平衡给基于深度学习的分类模型带来了显著挑战。对尾类进行过采样试图解决这种不平衡。然而，有限视觉多样性导致网络表征能力较差。一个简单的对策是将表征网络与分类网络解耦，并仅使用过采样来训练分类器。本文中，我们不再重复重采样同一图像（及其特征），而是探索一种通过估计尾类分布来生成有意义特征的方向。受近期少样本学习工作的启发，我们创建校准分布以采样额外特征，随后用于训练分类器。通过在具有不同不平衡因子的CIFAR-100-LT（长尾）数据集和mini-ImageNet-LT（长尾）上的若干实验，我们展示了方法的有效性并确立了新的最先进水平。我们还使用t-SNE可视化对生成特征进行定性分析，并分析了用于校准尾类分布的最近邻。我们的代码见 https://github.com/rahulvigneswaran/TailCalibX。
引用
@article{arxiv.2111.05956,
title = {Feature Generation for Long-tail Classification},
author = {Rahul Vigneswaran and Marc T. Law and Vineeth N. Balasubramanian and Makarand Tapaswi},
journal= {arXiv preprint arXiv:2111.05956},
year = {2021}
}
备注
Accepted at ICVGIP'21. Code available at https://github.com/rahulvigneswaran/TailCalibX