論文の概要: OFBD: Object-Focused Background Debiasing for Long-Tailed Learning

• arxiv url: http://arxiv.org/abs/2609.37331v1
• Date: Tue, 29 Sep 2026 12:06:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.457295
• Title: OFBD: Object-Focused Background Debiasing for Long-Tailed Learning
• Title（参考訳）: OFBD:長期学習のためのオブジェクト指向バックグラウンドデバイアス
• Abstract要約: 標準的なロングテールトレーニングは、背景バイアスのある表現と最適化を誘導する。 OFBD(Object-Focused background Debiasing)は,分散と最適化の両方の観点から背景バイアスを緩和するフレームワークである。 提案手法は,全体の精度を向上し,大幅なテールクラスのゲインを実現し,メインストリームのロングテールメソッドのプラグインとして機能する。
• 参考スコア（独自算出の注目度）: 38.72321033966899
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Balancing performance trade-offs on long-tailed data distributions remains a long-standing challenge in visual recognition. Existing methods mainly improve tail classes through re-balancing, representation learning, or data augmentation, but the underlying cause of tail class degradation is still insufficiently explored. In this paper, we find that standard long-tailed training induces background-biased representation and optimization: tail classes suffer larger background distribution shifts and become increasingly driven by background gradients. This reveals that tail degradation is not merely caused by insufficient samples, but also by the learning of irrelevant background features. To tackle this issue, we propose Object-Focused Background Debiasing (OFBD), a framework that mitigates background bias from both distribution and optimization perspectives. Specifically, Foreground-guided CutMix preserves target-related foregrounds while diversifying complementary backgrounds, and Background-guided Feature Rectification suppresses background-biased features without learnable parameters or additional training. Extensive experiments show that our method improves overall accuracy, achieves significant tail-class gains, and can serve as a plug-in for mainstream long-tailed methods without external data or pretrained recognition models. The code is available at: https://ofbd-neurips2026-longtail-learning.github.io/
• Abstract（参考訳）: 長期データ配信のパフォーマンストレードオフのバランスをとることは、視覚的認識における長年の課題である。 既存の手法は主に、再バランス、表現学習、データ拡張を通じてテールクラスを改善するが、テールクラス劣化の根本原因はいまだ不十分である。 本稿では,標準長尾トレーニングが背景バイアスの表現と最適化を誘導し,テールクラスは背景分布のシフトが大きくなり,背景勾配によってますます駆動されるようになることを明らかにする。 このことは、尾の劣化が単に不十分なサンプルによって起こるだけでなく、無関係な背景特徴の学習によっても引き起こされることを示している。 この問題に対処するために、分散と最適化の両方の観点から背景バイアスを軽減するフレームワークであるObject-Focused background Debiasing (OFBD)を提案する。 特に、フォアグラウンド誘導のCutMixは、相補的な背景を多様化しながら、ターゲットに関連する前景を保存し、バックグラウンド誘導の特徴再現は学習可能なパラメータや追加のトレーニングなしで背景バイアスのある特徴を抑制する。 大規模な実験により,本手法は全体的な精度を向上し,大幅なテールクラスゲインを実現し,外部データや事前訓練された認識モデルなしで,主流のロングテールメソッドのプラグインとして機能することが示された。 コードは以下の通り。 https://ofbd-neurips2026-longtail-learning.github.io/

関連論文リスト

• Learning from Neighbors: Category Extrapolation for Long-Tail Learning [62.30734737735273]
  より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。 既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。 補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
  論文  参考訳（メタデータ） (2024-10-21T13:06:21Z)
• Gradient-Aware Logit Adjustment Loss for Long-tailed Classifier [30.931850375858573]
  実世界の環境では、データは長い尾の分布に従い、ヘッドクラスはテールクラスよりもはるかに多くのトレーニングサンプルを含む。 本稿では、最適化プロセスのバランスをとるために、累積勾配に基づいてロジットを調整するグラディエント・アウェア・ロジット調整(GALA)の損失を提案する。 提案手法は,一般的なロングテール認識ベンチマークデータセットにおいて,48.5%,41.4%,73.3%のTop-1精度を実現する。
  論文  参考訳（メタデータ） (2024-03-14T02:21:01Z)
• Class-Imbalanced Semi-Supervised Learning for Large-Scale Point Cloud Semantic Segmentation via Decoupling Optimization [64.36097398869774]
  半教師付き学習(SSL)は大規模3Dシーン理解のための活発な研究課題である。 既存のSSLベースのメソッドは、クラス不均衡とポイントクラウドデータのロングテール分布による厳しいトレーニングバイアスに悩まされている。 本稿では,特徴表現学習と分類器を別の最適化方法で切り離してバイアス決定境界を効果的にシフトする,新しいデカップリング最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-13T04:16:40Z)
• Orthogonal Uncertainty Representation of Data Manifold for Robust Long-Tailed Learning [52.021899899683675]
  長い尾の分布を持つシナリオでは、尾のサンプルが不足しているため、モデルが尾のクラスを識別する能力は制限される。 モデルロバストネスの長期的現象を改善するために,特徴埋め込みの直交不確実性表現(OUR)とエンドツーエンドのトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2023-10-16T05:50:34Z)
• Feature Fusion from Head to Tail for Long-Tailed Visual Recognition [39.86973663532936]
  テールクラスにおけるセマンティック情報の不十分に起因するバイアスのある決定境界は、認識精度の低下に寄与する重要な要因の1つである。 我々は,H2T(head-to-tail fusion)と呼ばれるヘッドクラスから多様な意味情報を移植することで,テールクラスを増強することを提案する。 理論的解析と実用実験の両方で、H2Tが決定境界に対してより最適化された解に寄与できることが示されている。
  論文  参考訳（メタデータ） (2023-06-12T08:50:46Z)
• CLAD: A Contrastive Learning based Approach for Background Debiasing [43.0296255565593]
  我々は,CNNにおける背景バイアスを軽減するために,対照的な学習に基づくアプローチを導入する。 前回のベンチマークを4.1%で上回り、バックグラウンドチャレンジデータセットで最先端の結果を得た。
  論文  参考訳（メタデータ） (2022-10-06T08:33:23Z)
• Long-tailed Recognition by Routing Diverse Distribution-Aware Experts [64.71102030006422]
  我々は、RoutIng Diverse Experts (RIDE) と呼ばれる新しい長い尾の分類器を提案する。 複数の専門家とのモデルの分散を減らし、分布を考慮した多様性損失によるモデルバイアスを減らし、動的専門家ルーティングモジュールによる計算コストを削減します。 RIDEは、CIFAR100-LT、ImageNet-LT、iNaturalist 2018ベンチマークで最先端を5%から7%上回っている。
  論文  参考訳（メタデータ） (2020-10-05T06:53:44Z)

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。