論文の概要: Balancing Logit Variation for Long-tailed Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2306.02061v1
- Date: Sat, 3 Jun 2023 09:19:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-06 20:24:17.876669
- Title: Balancing Logit Variation for Long-tailed Semantic Segmentation
- Title(参考訳): 長尾意味セグメンテーションにおけるロジット変動のバランス
- Authors: Yuchao Wang, Jingjing Fei, Haochen Wang, Wei Li, Tianpeng Bao, Liwei
Wu, Rui Zhao, Yujun Shen
- Abstract要約: トレーニングフェーズにおけるネットワーク予測にカテゴリワイドなバリエーションを導入する。
異なるカテゴリの特徴領域間のギャップを埋めて、よりバランスの取れた表現を生み出します。
提案手法は,様々なデータセットやタスク設定に対して,強い一般化性を示す。
- 参考スコア(独自算出の注目度): 28.92929059563813
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semantic segmentation usually suffers from a long-tail data distribution. Due
to the imbalanced number of samples across categories, the features of those
tail classes may get squeezed into a narrow area in the feature space. Towards
a balanced feature distribution, we introduce category-wise variation into the
network predictions in the training phase such that an instance is no longer
projected to a feature point, but a small region instead. Such a perturbation
is highly dependent on the category scale, which appears as assigning smaller
variation to head classes and larger variation to tail classes. In this way, we
manage to close the gap between the feature areas of different categories,
resulting in a more balanced representation. It is noteworthy that the
introduced variation is discarded at the inference stage to facilitate a
confident prediction. Although with an embarrassingly simple implementation,
our method manifests itself in strong generalizability to various datasets and
task settings. Extensive experiments suggest that our plug-in design lends
itself well to a range of state-of-the-art approaches and boosts the
performance on top of them.
- Abstract(参考訳): セマンティックセグメンテーションは通常、長い尾のデータ分布に悩まされる。
カテゴリにまたがるサンプル数が不均衡であるため、これらのテールクラスの特徴は、特徴空間の狭い領域に絞り込まれる可能性がある。
バランスの取れた特徴分布に向けて,学習段階でネットワーク予測にカテゴリ毎の変動を導入することにより,インスタンスがもはや特徴点ではなく,小さな領域に投影されるようにした。
このような摂動はカテゴリスケールに大きく依存しており、ヘッドクラスに小さな変化を割り当て、テールクラスにより大きな変化を割り当てているように見える。
このようにして、異なるカテゴリの特徴領域間のギャップを埋めることができ、結果としてよりバランスの取れた表現が得られる。
導入した変分が推論段階で破棄され、確実な予測が容易になる点が注目に値する。
恥ずかしいほど単純な実装ではあるものの、本手法は様々なデータセットやタスク設定に対して強い一般化性を示す。
広範な実験から、私たちのプラグイン設計は最先端のアプローチに適しており、その上のパフォーマンスを向上していることが示唆されます。
関連論文リスト
- Adjusting Logit in Gaussian Form for Long-Tailed Visual Recognition [37.62659619941791]
特徴レベルの観点から、長い尾の視覚認識の問題について検討する。
2つの新しいロジット調整法が提案され,計算オーバーヘッドの緩やかなモデル性能が向上した。
ベンチマークデータセットを用いて行った実験は,提案手法の最先端手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2023-05-18T02:06:06Z) - 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) - Relieving Long-tailed Instance Segmentation via Pairwise Class Balance [85.53585498649252]
長い尾のインスタンスセグメンテーションは、クラス間のトレーニングサンプルの極端な不均衡のために難しいタスクである。
尾のついたものに対して、(大多数のサンプルを含む)ヘッドクラスの深刻なバイアスを引き起こす。
そこで本研究では,学習中の予測嗜好を蓄積するために,学習中に更新される混乱行列上に構築された新しいPairwise Class Balance(PCB)手法を提案する。
論文 参考訳(メタデータ) (2022-01-08T07:48:36Z) - Learning Debiased and Disentangled Representations for Semantic
Segmentation [52.35766945827972]
セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。
各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。
提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
論文 参考訳(メタデータ) (2021-10-31T16:15:09Z) - Analyzing Overfitting under Class Imbalance in Neural Networks for Image
Segmentation [19.259574003403998]
画像分割では、ニューラルネットワークは小さな構造物の前景サンプルに過剰に適合する可能性がある。
本研究では,ネットワークの動作を検査することにより,クラス不均衡下でのオーバーフィッティング問題に対する新たな知見を提供する。
論文 参考訳(メタデータ) (2021-02-20T14:57:58Z) - Seesaw Loss for Long-Tailed Instance Segmentation [131.86306953253816]
本稿では,各カテゴリの正試料と負試料の動的再バランス勾配を求めるシーソー損失を提案する。
緩和因子は、異なるカテゴリ間の累積トレーニングインスタンスの比率に比例して、罰を尾のカテゴリに還元する。
補償係数は、末尾カテゴリーの偽陽性を避けるために、誤分類されたインスタンスのペナルティを増加させる。
論文 参考訳(メタデータ) (2020-08-23T12:44:45Z) - Rethinking Class-Balanced Methods for Long-Tailed Visual Recognition
from a Domain Adaptation Perspective [98.70226503904402]
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。
論文 参考訳(メタデータ) (2020-03-24T11:28:42Z) - Deep Representation Learning on Long-tailed Data: A Learnable Embedding
Augmentation Perspective [17.602607883721973]
深い特徴空間では、ヘッドクラスとテールクラスは異なる分布パターンを示す。
それぞれの機能を"機能クラウド"に構成することを提案する。
それぞれの尾のサンプルは、他のクラスのサンプルを遠くから押し出すことができ、尾のクラスのクラス内での多様性を回復する。
論文 参考訳(メタデータ) (2020-02-25T12:38:32Z)
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。