基于显著性掩码的对比学习长尾识别（SMCL）
计算机视觉与模式识别
2024-06-05 v1 机器学习
摘要
现实世界的数据常遵循长尾分布，在类别样本数量之间存在显著不平衡。从不平衡数据训练的主要问题是，某些背景特征在所有类别中常见，但在样本稀少的类别中可能被忽视。结果，这些背景特征与对主要类别的偏倚预测相关联。本文提出了显著性掩码对比学习（SMCL），一种新方法，利用显著性掩码和对比学习来缓解此问题并提高模型的泛化能力。我们的核心思想是使用显著性检测掩码图像的重要部分，并通过对比学习将掩码图像在特征空间中靠近次要类别，从而消除掩码图像中出现的背景特征与原始类别之间的关联。实验结果表明，我们的方法在基准长尾数据集上实现了达到甚至超越最新水平的性能。
引用
@article{arxiv.2406.02223,
title = {SMCL: Saliency Masked Contrastive Learning for Long-tailed Recognition},
author = {Sanglee Park and Seung-won Hwang and Jungmin So},
journal= {arXiv preprint arXiv:2406.02223},
year = {2024}
}
备注
accepted at ICASSP 2023