学习分割长尾
计算机视觉与模式识别
2020-04-06 v2
摘要
真实世界的视觉识别需要处理大规模长尾数据中极端的样本不平衡。我们针对具有挑战性的LVIS任务提出一种“分而治之”策略：将整体数据划分为均衡的部分，然后应用增量学习逐一攻克。这衍生出一种新颖的学习范式：类增量少样本学习，其对随时间演化的挑战尤其有效：1）旧类知识回顾中的类不平衡；2）新类学习中的少样本数据。我们称我们的方法为学习分割长尾（LST）。具体而言，我们设计了一种实例级均衡回放方案，该方案以内存高效的方式近似均衡来自旧类图像的实例级样本。我们还提出使用一个元模块进行新类学习，该模块参数在增量阶段间共享，从而从数据丰富的头部到数据匮乏的尾部增量地获得学会学习的知识。我们通过实验表明：以少量牺牲头部类的遗忘为代价，我们可为少于10个实例的尾部类获得显著的8.3% AP提升，并为全部1,230个类实现整体2.0% AP提升。
引用
@article{arxiv.2004.00900,
title = {Learning to Segment the Tail},
author = {Xinting Hu and Yi Jiang and Kaihua Tang and Jingyuan Chen and Chunyan Miao and Hanwang Zhang},
journal= {arXiv preprint arXiv:2004.00900},
year = {2020}
}