多数类可助少数类：面向长尾分类的上下文丰富少数类过采样
计算机视觉与模式识别
2022-03-29 v3 人工智能
摘要
类不平衡数据的问题在于，由于少数类数据匮乏，分类器的泛化性能下降。在本文中，我们提出了一种新颖的少数类过采样方法，通过利用多数类的丰富上下文作为背景图像来增强多样化的少数类样本。为使少数类样本多样化，我们的核心思想是将少数类图像粘贴到具有丰富上下文的多数类图像上，将其用作背景图像。我们的方法简单，并且可以轻松与现有的长尾识别方法结合。我们通过大量实验和消融研究实证证明了所提过采样方法的有效性。在不做任何架构改动或使用复杂算法的情况下，我们的方法在各种长尾分类基准上取得了最先进的性能。我们的代码已在 https://github.com/naver-ai/cmo 公开。
引用
@article{arxiv.2112.00412,
title = {The Majority Can Help The Minority: Context-rich Minority Oversampling for Long-tailed Classification},
author = {Seulki Park and Youngkyu Hong and Byeongho Heo and Sangdoo Yun and Jin Young Choi},
journal= {arXiv preprint arXiv:2112.00412},
year = {2022}
}
备注
Accepted by CVPR 2022, 14 pages