基于推理的想象：一种面向长尾分类的基于推理的隐式语义数据增强方法
计算机视觉与模式识别
2022-02-14 v2
摘要
现实世界中的数据通常遵循长尾分布，这使得现有分类算法的性能严重下降。一个关键问题是尾类样本未能刻画其类内多样性。人类即使第一次见到某一类别，也能凭借先验知识想象该样本处于新姿态、新场景和新视角下的样子。受此启发，我们提出了一种新颖的基于推理的隐式语义数据增强方法，从其他类别借用变换方向。由于每个类别的协方差矩阵代表了特征变换方向，我们可以从相似类别中采样新方向以生成明显不同的实例。具体而言，首先采用长尾分布数据训练主干网络和分类器。然后，估计每个类别的协方差矩阵，并构建知识图谱以存储任意两个类别之间的关系。最后，通过从知识图谱中所有相似类别传播信息，对尾类样本进行自适应增强。在 CIFAR-100-LT、ImageNet-LT 和 iNaturalist 2018 上的实验结果证明了我们所提方法相较于最先进方法的有效性。
引用
@article{arxiv.2112.07928,
title = {Imagine by Reasoning: A Reasoning-Based Implicit Semantic Data Augmentation for Long-Tailed Classification},
author = {Xiaohua Chen and Yucan Zhou and Dayan Wu and Wanqian Zhang and Yu Zhou and Bo Li and Weiping Wang},
journal= {arXiv preprint arXiv:2112.07928},
year = {2022}
}
备注
Accepted by AAAI2022