論文の概要: Rethinking Class-Balanced Methods for Long-Tailed Visual Recognition
from a Domain Adaptation Perspective
- arxiv url: http://arxiv.org/abs/2003.10780v1
- Date: Tue, 24 Mar 2020 11:28:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 08:05:01.592754
- Title: Rethinking Class-Balanced Methods for Long-Tailed Visual Recognition
from a Domain Adaptation Perspective
- Title(参考訳): ドメイン適応の観点からの長距離視覚認識のためのクラスベース手法の再考
- Authors: Muhammad Abdullah Jamal and Matthew Brown and Ming-Hsuan Yang and
Liqiang Wang and Boqing Gong
- Abstract要約: 現実世界のオブジェクトの周波数は、しばしば電力法則に従い、長い尾のクラス分布を持つデータセット間のミスマッチを引き起こす。
メタラーニング手法を用いて,クラス条件分布の違いを明示的に推定し,古典的なクラスバランス学習を強化することを提案する。
- 参考スコア(独自算出の注目度): 98.70226503904402
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object frequency in the real world often follows a power law, leading to a
mismatch between datasets with long-tailed class distributions seen by a
machine learning model and our expectation of the model to perform well on all
classes. We analyze this mismatch from a domain adaptation point of view. First
of all, we connect existing class-balanced methods for long-tailed
classification to target shift, a well-studied scenario in domain adaptation.
The connection reveals that these methods implicitly assume that the training
data and test data share the same class-conditioned distribution, which does
not hold in general and especially for the tail classes. While a head class
could contain abundant and diverse training examples that well represent the
expected data at inference time, the tail classes are often short of
representative training data. To this end, we propose to augment the classic
class-balanced learning by explicitly estimating the differences between the
class-conditioned distributions with a meta-learning approach. We validate our
approach with six benchmark datasets and three loss functions.
- Abstract(参考訳): 現実世界のオブジェクトの頻度は、しばしばパワー法則に従い、マシンラーニングモデルで見られるロングテールのクラス分布を持つデータセットと、すべてのクラスでうまく機能するモデルへの期待とのミスマッチを引き起こす。
このミスマッチをドメイン適応の観点から分析する。
まず、長い尾の分類のための既存のクラスバランスの手法を、ドメイン適応におけるよく研究されたシナリオであるターゲットシフトに接続する。
この接続により、これらの方法が暗黙的にトレーニングデータとテストデータが同じクラス条件分布を共有していると仮定していることが分かる。
ヘッドクラスは、予測されたデータを推論時に適切に表現する豊富な多様なトレーニング例を含むことができるが、テールクラスは、しばしば代表的なトレーニングデータに欠ける。
そこで本研究では,メタラーニングによるクラス条件分布の違いを明示的に推定することにより,古典的クラスバランス学習の強化を提案する。
6つのベンチマークデータセットと3つの損失関数でアプローチを検証する。
関連論文リスト
- FedLF: Adaptive Logit Adjustment and Feature Optimization in Federated Long-Tailed Learning [5.23984567704876]
フェデレーション学習は、分散機械学習におけるプライバシの保護という課題にパラダイムを提供する。
伝統的なアプローチは、グローバルな長期データにおけるクラスワイドバイアスの現象に対処できない。
新しい手法であるFedLFは、適応ロジット調整、連続クラス中心最適化、特徴デコリレーションという、局所的なトレーニングフェーズに3つの修正を導入している。
論文 参考訳(メタデータ) (2024-09-18T16:25:29Z) - Subclass-balancing Contrastive Learning for Long-tailed Recognition [38.31221755013738]
不均衡なクラス分布を持つロングテール認識は、実践的な機械学習アプリケーションで自然に現れる。
そこで我々は,各ヘッドクラスを複数のサブクラスにクラスタリングする,新しいサブクラスバランス・コントラッシブ・ラーニング・アプローチを提案する。
我々は,長期化ベンチマークデータセットの一覧からSBCLを評価し,最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-06-28T05:08:43Z) - Revisiting Long-tailed Image Classification: Survey and Benchmarks with
New Evaluation Metrics [88.39382177059747]
メトリクスのコーパスは、長い尾の分布で学習するアルゴリズムの正確性、堅牢性、およびバウンダリを測定するために設計されている。
ベンチマークに基づいて,CIFAR10およびCIFAR100データセット上での既存手法の性能を再評価する。
論文 参考訳(メタデータ) (2023-02-03T02:40:54Z) - Integrating Local Real Data with Global Gradient Prototypes for
Classifier Re-Balancing in Federated Long-Tailed Learning [60.41501515192088]
フェデレートラーニング(FL)は、グローバルモデルを協調的にトレーニングする複数のクライアントを含む、人気のある分散ラーニングパラダイムになっています。
データサンプルは通常、現実世界の長い尾の分布に従っており、分散化された長い尾のデータのFLは、貧弱なグローバルモデルをもたらす。
本研究では、局所的な実データとグローバルな勾配のプロトタイプを統合し、局所的なバランスの取れたデータセットを形成する。
論文 参考訳(メタデータ) (2023-01-25T03:18:10Z) - Constructing Balance from Imbalance for Long-tailed Image Recognition [50.6210415377178]
多数派(頭)クラスと少数派(尾)クラスの不均衡は、データ駆動のディープニューラルネットワークを著しく歪ませる。
従来の手法では、データ分散、特徴空間、モデル設計の観点からデータ不均衡に対処していた。
ラベル空間を段階的に調整し,ヘッドクラスとテールクラスを分割することで,簡潔なパラダイムを提案する。
提案モデルでは,特徴評価手法も提供し,長期的特徴学習の道を開く。
論文 参考訳(メタデータ) (2022-08-04T10:22:24Z) - Learning Muti-expert Distribution Calibration for Long-tailed Video
Classification [88.12433458277168]
2レベル分布情報に基づくエンドツーエンドのマルチエキスパート分布校正手法を提案する。
この2段階の分布情報をモデル化することで、モデルはヘッドクラスとテールクラスを考慮できる。
本手法は,長編ビデオ分類作業における最先端性能を実現する。
論文 参考訳(メタデータ) (2022-05-22T09:52:34Z) - Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。
まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。
第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
論文 参考訳(メタデータ) (2021-08-29T05:45:03Z) - The Devil is the Classifier: Investigating Long Tail Relation
Classification with Decoupling Analysis [36.298869931803836]
ロングテール関係分類は、ヘッドクラスがトレーニングフェーズを支配しているため、難しい問題である。
そこで本研究では,関係を自動的に集約することで,ソフトウェイトを割り当てる,注意関係ルーティング付きロバストな分類器を提案する。
論文 参考訳(メタデータ) (2020-09-15T12:47:00Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。