利用质心对比学习改善尾部类表征
计算机视觉与模式识别
2023-05-05 v2
摘要
在视觉领域，大规模自然数据集通常呈现头部与尾部类间存在巨大类不平衡的长尾分布。该分布给尾部类学习良好表征带来困难。近期进展表明，通过将训练解耦为表征学习与分类器平衡可学习到良好的长尾模型。然而，这些工作对长尾效应对表征学习的影响考虑不足。本工作中，我们提出插值质心对比学习(ICCL)以改善长尾表征学习。ICCL从一个类无关采样器与一个类感知采样器插值两幅图像，并训练模型使插值图像的表征可用于检索两个源类的质心。我们在多个长尾图像分类基准上展示了方法的有效性。我们的结果显示在具有真实世界长尾分布的iNaturalist 2018数据集上准确率显著提升2.8%。
引用
@article{arxiv.2110.10048,
title = {Improving Tail-Class Representation with Centroid Contrastive Learning},
author = {Anthony Meng Huat Tiong and Junnan Li and Guosheng Lin and Boyang Li and Caiming Xiong and Steven C. H. Hoi},
journal= {arXiv preprint arXiv:2110.10048},
year = {2023}
}
备注
Add in acknowledgment