利用特征与分类器间角度信息用于长尾学习:一种预测重构方法
计算机视觉与模式识别
2022-12-06 v1
摘要
深度神经网络在长尾图像数据集上仍表现不佳,原因之一为各类别训练数据的不平衡导致训练模型参数的不平衡。受训练后分类器在头部类中产生更大权重范数的经验发现启发,我们提出通过夹角重构识别概率,而无需重新平衡分类器权重。具体而言,我们计算数据特征与各类分类器权重之间的夹角,以获得基于角度的预测结果。受该预测形式重构带来的性能提升及广泛使用的两阶段学习框架优异性能的启发,我们探究了该角度预测的不同性质,并提出新颖模块以改进框架中不同组件的性能。我们的方法在CIFAR10/100-LT与ImageNet-LT上无需预训练即能在同类方法中取得最佳性能。源代码将公开可用。
引用
@article{arxiv.2212.01565,
title = {Leveraging Angular Information Between Feature and Classifier for Long-tailed Learning: A Prediction Reformulation Approach},
author = {Haoxuan Wang and Junchi Yan},
journal= {arXiv preprint arXiv:2212.01565},
year = {2022}
}