先验偏移自适应的漫游者指南

在许多计算机视觉分类任务中，测试时的类别先验常与训练集上的先验不同。在此类先验偏移情况下，分类器必须相应调整以维持接近最优的性能。本文分析了将概率分类器适配于新先验以及在没有标签的测试集上估计新先验的方法。我们提出了一种新方法来解决基于混淆矩阵的先验估计方法的已知问题，即决策概率与混淆矩阵的不一致估计会导致估计先验中出现负值。在细粒度图像分类数据集上的实验深入揭示了先验偏移估计与分类器自适应的最佳实践，并表明所提方法在先验自适应上取得了最先进（SOTA）结果。将最佳实践应用于两个具有自然不平衡先验的任务——从网络爬取图像中学习与植物物种分类——分别使识别准确率提升了1.1%和3.4%。