GistNet:面向长尾识别的几何结构迁移网络
计算机视觉与模式识别
2021-05-04 v1
摘要
本文研究长尾识别问题,即每类样本数量高度不平衡。我们假设,标准分类器训练易于过拟合热门类这一已知倾向,可被有效用于迁移学习。学习算法不应消除此种过拟合(例如采用流行的类平衡采样方法),而应利用其将几何信息从热门类迁移至少样本类。为此提出一种新的分类器架构 GistNet,利用分类器参数的星座结构来编码类几何。进而提出一种用于几何结构迁移(GIST)的新学习算法,结合类平衡与随机采样的损失函数,以保证在将过拟合限制于几何参数的同时,利用其将类几何从热门类迁移至少样本类。这使得少样本类无需手动指定类权重、甚至无需显式将类分组为不同类型即可更好泛化。在两个流行的长尾识别数据集上的实验表明,GistNet 优于该问题的现有解法。
引用
@article{arxiv.2105.00131,
title = {GistNet: a Geometric Structure Transfer Network for Long-Tailed Recognition},
author = {Bo Liu and Haoxiang Li and Hao Kang and Gang Hua and Nuno Vasconcelos},
journal= {arXiv preprint arXiv:2105.00131},
year = {2021}
}