RSG：一种用于学习不平衡数据集的简单而有效的模块
计算机视觉与模式识别
2021-06-21 v1
摘要
不平衡数据集广泛存在于实际中，并且对训练在少见类别上具备良好泛化能力的深度神经模型而言是一大挑战。在这项工作中，我们提出了一种新的少见类别样本生成器（RSG）来解决此问题。RSG 旨在训练过程中为少见类别生成一些新样本，其尤其具有以下优势：（1）使用方便且高度通用，因为它可以轻松集成到任意一种卷积神经网络中，并且与不同损失函数结合时表现良好；（2）仅在训练阶段使用，因此在测试阶段不会给深度神经网络带来额外负担。在大量实验评估中，我们验证了 RSG 的有效性。此外，借助 RSG，我们在 Imbalanced CIFAR 上取得了有竞争力的结果，并在 Places-LT、ImageNet-LT 和 iNaturalist 2018 上取得了新的最先进结果。源代码见 https://github.com/Jianf-Wang/RSG。
引用
@article{arxiv.2106.09859,
title = {RSG: A Simple but Effective Module for Learning Imbalanced Datasets},
author = {Jianfeng Wang and Thomas Lukasiewicz and Xiaolin Hu and Jianfei Cai and Zhenghua Xu},
journal= {arXiv preprint arXiv:2106.09859},
year = {2021}
}
备注
To appear at CVPR 2021. We propose a flexible data generation/data augmentation module for long-tailed classification. Codes are available at: https://github.com/Jianf-Wang/RSG