基于混合图像监督对比学习的长尾分布识别
计算机视觉与模式识别
2022-11-23 v1
摘要
真实世界数据常呈长尾分布，即各类别的训练样本数不相等。不平衡数据形成了有偏的特征空间，降低了识别模型的性能。本文提出一种新颖的长尾识别方法以平衡潜在特征空间。首先，我们引入基于MixUp的数据增强技术以减轻长尾数据的偏差。此外，我们提出一种名为混合类别监督对比学习（SMC）的新监督对比学习方法，用于混合图像。SMC基于原始图像的类别标签创建一组正样本，正样本的组合比例在训练损失中对正样本进行加权。SMC结合基于类别混合的损失探索了更多样的数据空间，增强了模型的泛化能力。在各基准上的大量实验表明了我们的单阶段训练方法的有效性。
引用
@article{arxiv.2211.11938,
title = {Supervised Contrastive Learning on Blended Images for Long-tailed Recognition},
author = {Minki Jeong and Changick Kim},
journal= {arXiv preprint arXiv:2211.11938},
year = {2022}
}