.png){kind=icon}
返回
Dynamic prior probability network for long-tailed visual recognition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2024.126276.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在过去十年中，深度学习研究取得了惊人的进展，基于大规模数据集训练的深度神经网络的性能表现出色，并且在某些方面甚至超越了人类的表现。然而，当深度神经网络面对长尾数据集时，其性能会急剧下降。大多数现有的长尾分类方法仅关注分类任务，导致模型偏向于多数类，从而在少数类上表现不佳。校准（calibration）因能增强模型可靠性而闻名，可通过调整类别概率以使其与真实分布对齐，从而在长尾场景下帮助缓解这一问题，确保更好地考虑少数类。在本文中，提出了一种新颖的动态先验概率网络（DPPN），通过整合无偏且校准后的置信度估计来提升分类性能。我们在四个广泛使用的长尾数据集上进行了实验，并将所提出的方法DPPN与八种方法（包括一种基准方法和七种当前最佳方法）进行了比较。实验结果表明，DPPN在所有四个基准数据集上均实现了置信度估计和分类性能的显著提升。我们的代码可在 https://github.com/zxsong999/DPPN 获取。
Keyword:
Long-tailed recognition
Prior probability
Confidence level
Calibration
期刊
IF:
7.5
论文数:
3.0W
被引数:
10.2W
机构
暂无机构信息
引用论文
.png){kind=icon}
分享收藏
查看更多内容