面向测试分布未知长尾识别的多样化专家自监督聚合
计算机视觉与模式识别
2022-10-28 v4
摘要
现有的长尾识别方法旨在从长尾数据中训练类别平衡模型，通常假设模型将在均匀测试类别分布上评估。然而，实际测试类别分布常违背该假设（例如呈长尾甚至逆长尾），可能导致现有方法在真实应用中失效。本文研究一个更实际却更具挑战性的任务，称为测试分布未知长尾识别，其中训练类别分布为长尾，而测试类别分布未知且未必均匀。除类别不平衡问题外，该任务还带来另一挑战：训练与测试数据间的类别分布偏移未知。为应对此任务，我们提出一种称为多样化专家自监督聚合的新方法，包含两种策略：(i) 一种新的技能多样化专家学习策略，从单一静态长尾数据集训练多个专家分别处理不同类别分布；(ii) 一种新颖的测试时专家聚合策略，利用自监督聚合所学多个专家以处理未知测试类别分布。我们从理论上证明自监督策略具有可证明的模拟测试分布未知类别分布的能力。令人满意的实证结果表明我们的方法在常规与测试分布未知长尾识别上的有效性。代码见 \url{https://github.com/Vanint/SADE-AgnosticLT}。
引用
@article{arxiv.2107.09249,
title = {Self-Supervised Aggregation of Diverse Experts for Test-Agnostic Long-Tailed Recognition},
author = {Yifan Zhang and Bryan Hooi and Lanqing Hong and Jiashi Feng},
journal= {arXiv preprint arXiv:2107.09249},
year = {2022}
}
备注
NeurIPS 2022. Source code: https://github.com/Vanint/SADE-AgnosticLT