【CVPR2020】从领域适应的角度重新思考长尾视觉识别的类平衡方法

2020 年 4 月 12 日 专知


现实世界中的对象频率通常遵循幂次定律,导致机器学习模型所看到的具有长尾类分布的数据集与我们对模型在所有类上表现良好的期望之间的不匹配。我们从领域适应的角度来分析这种不匹配。首先,我们将现有的长尾分类的类平衡方法与目标移位相联系,这是一个在领域适应方面得到充分研究的场景。这种联系表明,这些方法隐含地假设训练数据和测试数据共享相同的类条件分布,这种分布在一般情况下不成立,尤其是尾部类。虽然头类可以包含丰富多样的训练示例,很好地表示推断时的预期数据,但尾部类通常缺乏代表性的训练数据。为此,我们建议通过元学习方法显式地估计类条件分布之间的差异来扩充经典的类平衡学习。我们用6个基准数据集和3个损失函数验证了我们的方法

https://arxiv.org/abs/2003.10780


专知便捷查看

便捷下载,请关注专知公众号(点击上方蓝色专知关注)

  • 后台回复“CBM” 就可以获取【CVPR2020】从领域适应的角度重新思考长尾视觉识别的类平衡方法》专知下载链接

专知,专业可信的人工智能知识分发,让认知协作更快更好!欢迎注册登录专知www.zhuanzhi.ai,获取5000+AI主题干货知识资料!
欢迎微信扫一扫加入专知人工智能知识星球群,获取最新AI专业干货知识教程资料和与专家交流咨询
点击“ 阅读原文 ”,了解使用 专知 ,查看获取5000+AI主题知识资源
登录查看更多
5

相关内容

【CVPR2020-北京大学】自适应间隔损失的提升小样本学习
专知会员服务
84+阅读 · 2020年6月9日
【CVPR2020-Oral】用于深度网络的任务感知超参数
专知会员服务
26+阅读 · 2020年5月25日
【CVPR2020】视觉推理-可微自适应计算时间
专知会员服务
12+阅读 · 2020年4月28日
【CVPR2020-旷视】DPGN:分布传播图网络的小样本学习
专知会员服务
26+阅读 · 2020年4月1日
【伯克利-滴滴出行】深度学习多源领域自适应综述论文
专知会员服务
53+阅读 · 2020年2月28日
Meta-Transfer Learning for Few-Shot Learning
Arxiv
8+阅读 · 2018年12月6日
Arxiv
11+阅读 · 2018年9月28日
Arxiv
7+阅读 · 2018年4月24日
VIP会员
Top
微信扫码咨询专知VIP会员