利用Polarity-GAN消除类不平衡:一种不确定性采样方法
计算机视觉与模式识别
2020-12-10 v1 机器学习
摘要
类不平衡是深度学习模型与传统模型在实际分类问题中均面临的一项挑战。传统上成功的对策(如合成过采样)在处理深度学习模型所应对的复杂结构化数据时成效有限。本工作中,我们提出使用一种配备生成器网络G、判别器网络D与分类器网络C的生成对抗网络(GAN)来消除视觉数据集中的类不平衡。生成器网络以自编码器初始化以使其稳定。判别器D确保G遵循不平衡类的类分布。在生成器G与判别器D以极小极大博弈竞争的传统方法中,我们提出向原网络进一步添加一个额外的分类器网络。此时,生成器网络试图与判别器以及我们所引入的新分类器进行极小极大博弈竞争。对生成器网络G施加额外条件以在所需不平衡类的凸包内生成点。此外,与分类器C的对抗博弈之争将G所学条件分布推向各类别的边界,从而补偿类不平衡问题。实验证据表明该初始化可实现网络的稳定训练。我们在FashionMNIST、MNIST、SVHN、ExDark、MVTec异常检测数据集、Chest X-Ray数据集等极端视觉分类任务上取得了当前最优性能。
引用
@article{arxiv.2012.04937,
title = {Removing Class Imbalance using Polarity-GAN: An Uncertainty Sampling Approach},
author = {Kumari Deepshikha and Anugunj Naman},
journal= {arXiv preprint arXiv:2012.04937},
year = {2020}
}
备注
CVPR2021 Submission