行人属性识别：作为标签均衡的多标签学习
计算机视觉与模式识别
2024-05-09 v1
摘要
由于属性稀缺，真实的行人属性数据集呈现出严重的偏斜数据分布，导致两种模型失效：(1)标签不平衡：模型预测倾向于多数标签的一侧；(2)语义不平衡：由于语义多样性不足，模型容易对缺乏语义多样性的属性过拟合。为实现完美的标签平衡，我们提出了一种新框架，成功地将标签均衡的数据重抽样与属性共现的诅咒分离开来，即在不偏向共现属性的前提下，平衡单个属性的抽样先验。为增加属性的语义多样性并缓解特征噪声，我们提出了贝叶斯特征增强方法，以引入真实的分布内新颖性。我们的方法在处理两种不平衡问题时，能够在各种流行基准测试上实现最佳准确率，并且几乎不增加额外的计算开销。
引用
@article{arxiv.2405.04858,
title = {Pedestrian Attribute Recognition as Label-balanced Multi-label Learning},
author = {Yibo Zhou and Hai-Miao Hu and Yirong Xiang and Xiaokang Zhang and Haotian Wu},
journal= {arXiv preprint arXiv:2405.04858},
year = {2024}
}
备注
Accepted as ICML2024 main conference paper