学习原型分类器用于长尾识别
计算机视觉与模式识别
2023-06-27 v3 机器学习
摘要
由于现实世界中物体遵循基本的幂律分布，长尾识别(LTR)问题近年来受到关注。LTR 中大多数近期工作使用 softmax 分类器，其存在偏置，即将分类器范数与给定类的训练数据量相关联。在本工作中，我们表明学习原型分类器解决了 LTR 中 softmax 偏置问题。原型分类器仅使用最近类均值(NCM)即可提供有前景的结果，NCM 是原型为经验质心的特例。我们更进一步，提出通过在表示空间中到原型的距离作为分类的 logit 分数来联合学习原型。此外，我们从理论上分析了基于欧氏距离的原型分类器的性质，其带来稳定的基于梯度的优化，并对离群点鲁棒。为沿各通道启用独立距离尺度，我们通过学习通道相关温度参数增强原型分类器。我们的分析表明，原型分类器学习的原型比经验质心分离更好。在四个 LTR 基准上的结果显示，原型分类器优于或与最先进方法相当。我们的代码发布于 https://github.com/saurabhsharma1993/prototype-classifier-ltr。
引用
@article{arxiv.2302.00491,
title = {Learning Prototype Classifiers for Long-Tailed Recognition},
author = {Saurabh Sharma and Yongqin Xian and Ning Yu and Ambuj Singh},
journal= {arXiv preprint arXiv:2302.00491},
year = {2023}
}
备注
Accepted at IJCAI-23