通过联合生成与分类缓解数据集不平衡
计算机视觉与模式识别
2020-08-14 v1
摘要
监督式深度学习方法在计算机视觉的许多实际应用中取得了巨大成功，并有望彻底改变机器人技术。然而，这些方法对偏差和不平衡数据表现出的性能退化令人质疑其可靠性。在本工作中，我们从某些类别标注训练数据严重代表性不足所导致的数据集不平衡及其对深度分类与生成方法的影响这一角度来探讨这些问题。我们引入了一种联合数据集修复策略，将神经网络分类器与生成对抗网络（GAN）相结合，通过生成额外训练样本弥补代表性不足类别的训练样本缺失。我们表明，联合训练有助于提升分类器与 GAN 两者在严重类别不平衡下的鲁棒性。我们在三个具有不同程度不平衡的迥异数据集上展示了所提方法的有效性。代码见 https://github.com/AadSah/ImbalanceCycleGAN 。
引用
@article{arxiv.2008.05524,
title = {Mitigating Dataset Imbalance via Joint Generation and Classification},
author = {Aadarsh Sahoo and Ankit Singh and Rameswar Panda and Rogerio Feris and Abir Das},
journal= {arXiv preprint arXiv:2008.05524},
year = {2020}
}
备注
Accepted in ECCV2020 Workshop on Imbalance Problems in Computer Vision (IPCV)