long-tailed
文章平均质量分 89
没想好叫啥··
希望不会浪费你的时间
Let go of the things you can't change
展开
-
H2T-FAST: Head-to-Tail Feature Augmentation by Style Transfer for Long-Tailed Recognition(ECAI2023)
使用了风格迁移的方法在特征空间中增强了尾部数据,是一个即插即用的方法并且只增加少量的计算量。很全面的消融实验,包含头尾如何划分、使用H2T策略的概率、不同风格迁移方法等等。原创 2023-11-18 22:33:28 · 131 阅读 · 0 评论 -
Improving Calibration for Long-Tailed Recognition
在第一阶段使用mixup并平滑标签以得到更好的特征表示,在第二阶段在表征模型中仅改变BN的均值和方差,以此提升模型的性能。方法简单有效,从ECE的角度切入,实验充分,并做了大量的实验验证各个模块的有效性,包含各种类型的图表且行文通顺易读。原创 2022-10-17 21:59:54 · 615 阅读 · 0 评论 -
LONG-TAILED RECOGNITION BY ROUTING DIVERSE DISTRIBUTION-AWARE EXPERTS
对于之前长尾方法以头部性能为代价的看法,有没有可能是因为RIDE的方法总体ACC提升较大,导致了头部也比baseline提升了。并不能说明RIDE没有牺牲头部性能,而且RIDE的Med和Few shot提升的性能相对于头部要大很多。多专家分配模块可以有效地减少计算复杂度,但是没有明确说明减少复杂度的同时是否会牺牲性能,从专家数为2的实验中大概能证实这点。原创 2022-10-12 12:52:48 · 573 阅读 · 0 评论 -
Feature Space Augmentation for Long-Tailed Data
文章目录本文贡献思路两个假设方法CAM(class activation map)可视化特征流程实验CIFAR10、CIFAR100ImageNet、PlacesiNaturalist 2017、2018探讨融合层的深度头部和尾部的划分总结 论文地址:https://arxiv.org/abs/2008.03673 代码:未公开 发表在ECCV2020 本文贡献 对于没有充分表达的尾部类则需要额外的知识来补充,所以作者利用头部的类无关特征作为额外的知识来增强尾部类。 思路 虽然深度学习取得了非常好的效果,但原创 2021-11-13 11:53:22 · 3825 阅读 · 0 评论 -
Decouping representation and classifier for long-tailed recognition
文章目录前言本文 论文地址:https://arxiv.org/abs/1910.09217 代码:https://github.com/facebookresearch/classifier-balancing 发表在ICLR2020 前言 生活中几乎所有能收集到的数据大多都符合长尾分布,虽然视觉在标准数据集上取得了不错的效果,但是在不均衡的长尾分布数据集上还需要进一步的研究。 本文 ...原创 2021-04-15 22:35:47 · 1634 阅读 · 1 评论