.png){kind=icon}
返回
A Unified Complementary Regularization Framework for Long-Tailed Image Classification
.png){kind=icon}
OA
AI
DOI：10.3390/app16031656.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
类别不平衡是图像分类任务中的一个严峻且持续的挑战。现有方法通过在特征空间中进行类别重分布或调整决策边界来强调少数类。尽管这些方法提高了少数类的准确性，但往往导致训练不稳定和多数类性能下降。为缓解这些挑战，我们提出了一种统一的重分布框架ComReg，它明确地对长尾图像分类中的特征学习和决策边界优化施加互补正则化。具体而言，ComReg采用多专家学习框架并结合先验知识引导的在线蒸馏来构建分布感知的决策边界。从特征空间学习角度看，我们通过解耦平衡对比学习增强类内紧致性和类间可分性。为进一步对齐两个空间中的分布，我们引入了一种延迟加权原型学习策略，该策略将头类专家构建的决策边界纳入解耦平衡对比学习过程中。在广泛使用的长尾基准测试（包括CIFAR10-LT和CIFAR100-LT）以及MedMNIST v2等真实世界长尾数据集的子集上的大量实验表明，我们的方法取得了最先进的性能。
Keyword:
long-tailed image classification
supervised contrastive learning
knowledge distillation
期刊
A
IF:
2.5
论文数:
7.6K
被引数:
4
机构
引用论文
.png){kind=icon}
分享收藏A novel progressively undersampling method based on the density peaks sequence for imbalanced data一种基于密度峰值序列的不平衡数据渐进欠采样方法
PREAI
分享收藏分享收藏
查看更多内容