频率感知的自监督长尾学习
计算机视觉与模式识别
2023-09-18 v2
摘要
从现实世界收集的数据通常呈现长尾分布，其中频繁类包含丰富数据，而稀有类仅有少量样本。尽管已有监督学习方法被提出以应对此类数据不平衡，但标签监督的需求会限制其在可能无法获得标签标注的真实场景中的适用性。在无法访问类标签及其相关类频率的情况下，我们在本文中提出频率感知自监督学习（FASSL）。FASSL 旨在从具有内在长尾分布的未标注数据中学习，目标是为下游分类任务生成判别性特征表示。在 FASSL 中，我们首先学习反映相关长尾分布的频率感知原型。特别聚焦于稀有类样本，所引入的自监督学习方案进一步利用了图像数据与所得原型之间的关系。在长尾图像数据集上的实验从定量与定性角度验证了我们的学习方案的有效性。
引用
@article{arxiv.2309.04723,
title = {Frequency-Aware Self-Supervised Long-Tailed Learning},
author = {Ci-Siang Lin and Min-Hung Chen and Yu-Chiang Frank Wang},
journal= {arXiv preprint arXiv:2309.04723},
year = {2023}
}
备注
ICCV Workshop 2023 (Oral)