面向非独立同分布图像分类：一个数据集与基线方法
计算机视觉与模式识别
2019-08-15 v3
摘要
训练与测试数据间的独立同分布（I.I.D.）假设是众多图像分类方法的基础。这种性质在实践中很难保证，非 I.I.D. 现象十分常见，导致这些模型性能不稳定。然而在文献中，非 I.I.D. 图像分类问题很大程度上未被充分研究。一个关键原因是缺乏设计良好的数据集以支持相关研究。本文构建并发布了一个称为 NICO 的非 I.I.D. 图像数据集，其利用上下文有意识地制造非 I.I.D. 性。与其他数据集相比，扩展分析证明 NICO 能以足够灵活性支持多种非 I.I.D. 情形。同时，我们提出一种具有 ConvNet 结构的通用非 I.I.D. 图像分类基线模型，其中测试数据分布未知但不同于训练数据。实验结果表明，NICO 能很好地支持从头训练 ConvNet 模型，且批量平衡模块可帮助 ConvNets 在非 I.I.D. 设置下表现更好。
引用
@article{arxiv.1906.02899,
title = {Towards Non-I.I.D. Image Classification: A Dataset and Baselines},
author = {Yue He and Zheyan Shen and Peng Cui},
journal= {arXiv preprint arXiv:1906.02899},
year = {2019}
}