面向无偏场景图生成的偏斜类平衡重加权方法
机器学习
2023-03-30 v3
摘要
本文提出一种称为偏斜类平衡重加权（SCR）的无偏场景图生成（SGG）算法，用于解决由长尾分布引起的无偏谓词预测问题。已有工作主要关注缓解少数类谓词预测性能恶化、召回率急剧下降的现象，即牺牲了多数类谓词的性能。在有限的SGG数据集中，尚未正确分析多数类与少数类谓词性能之间的权衡。本文为缓解该问题，将偏斜类平衡重加权（SCR）损失函数应用于无偏SGG模型。借助有偏谓词预测的偏度，SCR估计目标谓词权重系数，并对有偏谓词赋予更大权重，以更好地在多数类与少数类谓词之间取得权衡。在标准Visual Genome数据集以及Open Image V4和V6上进行的广泛实验表明了SCR结合传统SGG模型的性能与泛化能力。
引用
@article{arxiv.2301.00351,
title = {Skew Class-balanced Re-weighting for Unbiased Scene Graph Generation},
author = {Haeyong Kang and Chang D. Yoo},
journal= {arXiv preprint arXiv:2301.00351},
year = {2023}
}