.png){kind=icon}
返回
Positional Relation Contextual Mixing for Imbalanced Classification
.png){kind=icon}
PRE
AI
DOI：10.1007/s10994-026-07004-2.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在实际应用中，数据集通常表现出分布不均衡。基于不均衡数据训练的深度模型常常产生偏差结果，导致泛化性能下降。数据增强技术是解决不均衡数据的关键方法。尽管随机图像类别混合被广泛认为是可靠的方法，但现有的基于混合的增强策略往往忽视了多数类与少数类图像之间的空间关系，可能生成低质量样本。在本文中，我们采用最优传输方法，在类别混合前基于图像间主要对象的空间关系进行预匹配。该方法确保了多数类与少数类主要对象的定位准确性，同时最大化利用了多数类的背景图像。实验结果表明，作为一种以数据为中心的输入级优化方法，我们的方法在不同不均衡场景下均取得了优越性能，并展现出可扩展性。
Keyword:
Imbalanced
Mix
Positional
Optimal transport
期刊
IF:
2.9
论文数:
2.7K
被引数:
3.4W
机构
查看更多机构
引用论文
Generative Prompt Controlled Diffusion for weakly supervised semantic生成式提示控制的弱监督语义扩散.png)
NEUROCOMPUTING
NEUROCOMPUTINGIF6.5
PREAI
分享收藏Regularized Discrete Optimal Transport for Class-Imbalanced Classifications正则化离散最优传输用于类别不平衡分类Mathematics
OAAI
MathematicsIF0
OAAI分享收藏
Learning to Re-Weight Examples with Optimal Transport for Imbalanced Classification学习使用最优传输为不平衡分类重新加权样本
PREAI
分享收藏 没有更多内容