面向广义长尾分类的不变特征学习
计算机视觉与模式识别
2025-10-14 v3
摘要
现有的长尾分类（LT）方法仅关注解决类间不平衡（即头部类拥有比尾部类更多的样本），而忽视了属性间不平衡。事实上，即便类别平衡，由于属性变化，每个类内的样本仍可能呈长尾分布。需注意，后者在根本上比前者更普遍且更具挑战性，因为属性不仅对大多数数据集是隐式的，而且具有组合复杂性，从而使其平衡代价高得令人却步。因此，我们引入了一个新的研究问题：广义长尾分类（GLT），以联合考虑这两种不平衡。所谓“广义”，是指 GLT 方法应自然解决传统的 LT，反之则不然。毫不意外，我们发现大多数类间 LT 方法在我们提出的两个基准 ImageNet-GLT 和 MSCOCO-GLT 上表现退化。我们认为这是因为它们过度强调类分布调整，而忽略了属性不变特征的学习。为此，我们提出不变特征学习（IFL）方法，作为 GLT 的第一个强基线。IFL 首先从不完全预测中发现具有不同类内分布的环境，然后跨这些环境学习不变特征。令人鼓舞的是，作为改进的特征骨干，IFL 提升了所有 LT 系列方法：单/两阶段重平衡、增强与集成。代码与基准已发布于 Github：https://github.com/KaihuaTang/Generalized-Long-Tailed-Benchmarks.pytorch
引用
@article{arxiv.2207.09504,
title = {Invariant Feature Learning for Generalized Long-Tailed Classification},
author = {Kaihua Tang and Mingyuan Tao and Jiaxin Qi and Zhenguang Liu and Hanwang Zhang},
journal= {arXiv preprint arXiv:2207.09504},
year = {2025}
}
备注
Accepted to ECCV 2022. Codes and benchmarks are available on Github: https://github.com/KaihuaTang/Generalized-Long-Tailed-Benchmarks.pytorch