Hier-COS: 通过正交子空间的组合使深度特征层次感知

传统分类器将所有标签视为相互独立，从而认为所有负类同等错误。这种方法在许多现实场景中严重失效，在这些场景中，已知的语义层次定义了负类上的偏序偏好。虽然层次感知的特征表示在缓解此问题上显示出前景，但其性能通常使用MS和AHD等指标进行评估。在本文中，我们指出现有层次评估指标的重要缺陷，证明它们通常无法衡量真正的层次性能。我们的分析揭示，尽管MS和AHD得分具有竞争力，现有方法学习到的是次优的层次表示。为了应对这些问题，我们引入了Hier-COS，一个用于统一层次感知的细粒度和多级层次分类的新型框架。我们证明Hier-COS在理论上与给定的层次树保持一致。此外，我们的框架根据类在层次树中的位置隐式地调整不同类的学习能力，这是现有方法中缺乏的重要特性。最后，为了解决评估指标的局限性，我们提出了HOPS，一种基于排序的指标，明显克服了当前评估标准的不足。我们在四个具有挑战性的数据集上对Hier-COS进行了基准测试，包括深度且不平衡的tieredImageNet-H和iNaturalist-19。通过广泛的实验，我们证明Hier-COS在每个数据集的所有层次指标上达到了SOTA，同时在除一个案例外的所有情况下击败了Top-1准确率。最后，我们证明Hier-COS可以有效地学习将来自预训练骨干网络(ViT)的冻结特征转换为层次感知，从而为层次分类性能带来显著益处。