BBN: Bilateral-Branch Network with Cumulative Learning for Long-Tailed Visual Recognition

       针对长尾分布中的不平衡分类问题,本文首次发现这些重新平衡方法能够实现令人满意的识别精度,这是因为它们可以显着地促进深度网络的分类学习。但是同时它们也在一定程度上破坏了学习到的深度特征的代表能力。 因此,本文提出了一个统一的双边分支网络(BBN)来同时处理表示学习和分类器学习,其中每个分支分别各自执行自己的职责 特别是,我们的BBN模型进一步配备了一种新的累积学习策略,其目的是首先学习通用模式,然后逐渐关注尾部数据。
       工作初步首先做了验证实验,将深度网络的训练过程分为两步,分别执行特征学习和分类器学习。在第一个特征学习阶段,分别采用传统交叉熵训练方法,重加权和重采样去获得对应的特征表示。然后再第二个分类阶段,我们首先固定特征学习阶段的参数,然后训练这些网络的分类器(也就是全连接层),也是用第一阶段的三种方法。结果显示,当固定特征表示方式时,重平衡方法达到较低的错误率,表明他们能提升分类器学习。另一方面,当固定分类器学习方式, 对原始不平衡数据进行传统方法训练,可以根据其更好的特征带来更好的效果。 此外,重新平衡方法的更糟糕的结果证明了它们将损害特征学习。

       正如概念上所证明的那样,在重新平衡之后,决策边界(即黑色固体弧)准确地对尾部数据进行分类(即红色方格)。 然而,每个类的类内分布变得更加分离。
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值