从先验视角迈向长尾视觉识别的校准模型
计算机视觉与模式识别
2021-11-09 v1 机器学习
摘要
现实世界数据普遍面临严重的类不平衡问题并呈现长尾分布，即大多数标签仅关联有限样本。由此类数据集监督的朴素模型会偏好主导标签，遭遇严重的泛化挑战且校准不良。我们从先验视角提出两种新方法以缓解此困境。首先，我们推导出名为均匀混合（UniMix）的面向平衡的数据增强，以推广长尾场景下的mixup，其采用有利于少数的先进混合因子与采样器。其次，受贝叶斯理论启发，我们厘清了贝叶斯偏差（Bayias）——一种由先验不一致引起的固有偏差，并将其作为对标准交叉熵损失的修正加以补偿。我们进一步从理论与经验上证明所提两种方法均确保分类校准。大量实验验证我们的策略有助于获得更好校准的模型，且它们的组合在CIFAR-LT、ImageNet-LT和iNaturalist 2018上取得了最先进性能。
引用
@article{arxiv.2111.03874,
title = {Towards Calibrated Model for Long-Tailed Visual Recognition from Prior Perspective},
author = {Zhengzhuo Xu and Zenghao Chai and Chun Yuan},
journal= {arXiv preprint arXiv:2111.03874},
year = {2021}
}
备注
Accepted at NeurIPS 2021