M2m：通过多数到少数的翻译实现不平衡分类
计算机视觉与模式识别
2020-12-22 v2 机器学习
机器学习
摘要
在大多数现实场景中，带标签的训练数据集高度类不平衡，深度神经网络难以泛化至平衡的测试准则。本文中，我们探索一种新颖而简单的方式，通过从更频繁类别翻译样本（如图像）来增强较少出现的类别，从而缓解该问题。这一简单方法通过迁移并利用多数类信息的多样性，使分类器学习到更具泛化性的少数类特征。我们在多种类不平衡数据集上的实验结果表明，与现有其他重采样或重加权方法相比，所提方法显著提升了在少数类上的泛化能力。我们方法的性能甚至超越了先前不平衡分类的 state-of-the-art 方法。
引用
@article{arxiv.2004.00431,
title = {M2m: Imbalanced Classification via Major-to-minor Translation},
author = {Jaehyung Kim and Jongheon Jeong and Jinwoo Shin},
journal= {arXiv preprint arXiv:2004.00431},
year = {2020}
}
备注
12 pages; CVPR 2020