"MEAL V2: Boosting Vanilla ResNet-50 to 80%+ Top-1 Accuracy on ImageNet without Tricks"
利用蒸馏方式提高resnet50的表现。蒸馏时采用多个教师网络集成的方式,只在最后的输出部分做蒸馏、使用教师模型的softlabel, 并且包含一个判别器判别是教师模型还是学生模型
BBN:bilateral-branch network with cumulative learning for long-tailed visual recognition
用于改善长尾分布的识别问题。作者发现正常采样的特征更加通用,紧凑,从采样的特征较为稀疏更适合分类,所以结合各自的优点提出了双分之网络,一个分支正常输入、一个分之重采样。通过一个调节器控制分支的学习权重。改善了长尾识别。
详情:https://mp.weixin.qq.com/s/XiKIhNf6vt-GFdzixhzl9g
Rethinking the Value of Labels for Improving Class-Imbalanced Learning
从数据的角度解决长尾识别的问题。作者提出了两个框架:1)利用无标签的数据进行半监督学习,2)不引入额外的数据,将训练分为两个阶段:首先自监督学习(不使用已有的标签),做一个预训练,然后再用常规的监督学习正常训练。
详情https://mp.weixin.qq.com/s/czBE8Wg8WFGBX3FnVgxIIg
LambdaResNets 未阅读