Delving into Deep Imbalanced Regression
实验设置
vanilla是一个模型,有着不平衡问题。
结合LDS
为了将vanilla模型与LDS相结合,通过将损失函数乘以每个目标箱的LDS估计密度的倒数来重新加权损失函数。
结合FDS
与FDS的结合则是把该方法结合到特征的提取之后,在做最后的回归之前,即使用FDS对提取的特征进行一个修正。
结合的不平衡算法
- 样本合成:SMOTER 和 SMOGN 。 SMOTER 首先使用原始标签密度定义频繁和稀有区域,并通过对输入和目标进行线性插值,为预定义的稀有区域创建合成样本。SMOGN 进一步将高斯噪声添加到 SMOTER。
- Error-aware loss:Focal-R,
- Two-stage training:RRT,特征和分类器分两个阶段进行解耦和训练,在第一阶段中,我们正常训练编码器,在第二阶段中,冻结编码器并使用反向重新加权重新训练回归器 g ( . ) g(.) g(.)。
- Cost-sensitive re-weighting:SQINV, 逆频率加权(INV)及其平方根加权变量(SQINV)。