MetaSAug：面向长尾视觉识别的元语义增强
计算机视觉与模式识别
2021-04-08 v3
摘要
现实世界的训练数据通常呈现长尾分布，其中少数多数类拥有的样本数量显著多于其余少数类。这种不平衡降低了为均衡训练集设计的典型监督学习算法的性能。在本文中，我们通过使用最近提出的隐式语义数据增强(ISDA)算法来增强少数类以解决此问题，该算法通过沿许多语义有意义的方向平移深度特征来产生多样化的增强样本。重要的是，鉴于ISDA估计类条件统计量以获得语义方向，我们发现由于训练数据不足，在少数类上这样做是无效的。为此，我们提出了一种新方法，利用元学习自动学习变换后的语义方向。具体而言，训练期间的增强策略被动态优化，旨在最小化一个小的均衡验证集上的损失，该损失通过元更新步近似。在CIFAR-LT-10/100、ImageNet-LT和iNaturalist 2017/2018上的大量实证结果验证了我们的方法的有效性。
引用
@article{arxiv.2103.12579,
title = {MetaSAug: Meta Semantic Augmentation for Long-Tailed Visual Recognition},
author = {Shuang Li and Kaixiong Gong and Chi Harold Liu and Yulin Wang and Feng Qiao and Xinjing Cheng},
journal= {arXiv preprint arXiv:2103.12579},
year = {2021}
}
备注
Accepted at CVPR 2021