AMiner推荐论文：Deep Long-Tailed Learning: A Survey

论文链接：https://www.aminer.cn/pub/6164fcc15244ab9dcb24cff5?f=cs
近年来，深度学习已经成为人工智能领域中最重要的技术之一。因强大的数据特征表达能力，深度神经网络已经被成功应用到众多视觉识别任务中并取得了显著的突破，如图像分类，物体检测和语义分割等。深度神经网络的成功源于其大量的模型参数对任务模式的学习，而这一过程需要大量的标注数据进行模型训练。在传统视觉识别任务中，标注数据的类别分布往往受到人为调整而变得均衡，即不同类别的样本数量无明显差别。
而在实际应用中，自然采集的数据类别通常表现为长尾分布（如下图），即一小部分类别拥有大量的样本，而其余大部分类别只有较少的样本量。然而，这一类别不平衡问题往往使得深度神经网络的训练变得非常困难。如下图所示，在长尾数据下训练的模型容易偏向训练数据中的多数类，即多数类的特征空间往往大于少数类的特征空间，且分类决策边界会向少数类方向偏移以确保更好地分类多数类，这一现象往往导致深度模型在数据量有限的少数类上表现不佳。因此，直接使用经验风险最小化方法来训练深度模型无法处理具有长尾类别不平衡问题的实际应用，如人脸识别，物种分类，医学图像诊断，无人机检测等等。
AMiner,让AI帮你理解科学！https://www.aminer.cn