应对域偏移下的长尾类别分布
计算机视觉与模式识别
2022-07-22 v1
摘要
当 1) 训练数据集的类别分布 P(Y) 呈现长尾分布，且 2) 测试数据来自不同的条件分布 P(X|Y) 时，机器学习模型在真实世界应用中表现不佳。现有方法无法处理两个问题同时存在的场景，而这却是真实世界应用中的常见情况。在本研究中，我们向前推进一步，探讨了域偏移下的长尾分类问题。我们设计了三个新颖的核心功能模块，包括分布校准分类损失、视觉-语义映射与语义相似度引导增强。此外，我们采用了一个集成这三个模块的元学习框架，以提升在未见目标域上的域泛化能力。我们针对该问题提出了两个新数据集，名为 AWA2-LTS 与 ImageNet-LTS。我们在这两个数据集上评估了我们的方法，大量实验结果表明我们提出的方法优于最先进的长尾/域泛化方法及其组合。源代码与数据集可在我们的项目页面 https://xiaogu.site/LTDS 找到。
引用
@article{arxiv.2207.10150,
title = {Tackling Long-Tailed Category Distribution Under Domain Shifts},
author = {Xiao Gu and Yao Guo and Zeju Li and Jianing Qiu and Qi Dou and Yuxuan Liu and Benny Lo and Guang-Zhong Yang},
journal= {arXiv preprint arXiv:2207.10150},
year = {2022}
}
备注
accepted to ECCV 2022