近日，实验室关于长尾学习的工作“Dual Compensation Residual Networks for Class Imbalanced Learning” (作者: Ruibing Hou，Hong Chang，Bingpeng Ma，Shiguang Shan，Xilin Chen) 被TPAMI接收。IEEE TPAMI的全称为IEEE Transactions on Pattern Analysis and Machine Intelligence，是计算机视觉领域的国际顶级期刊之一，2023年公布的影响因子为23.6。
Ruibing Hou，Hong Chang，Bingpeng Ma，Shiguang Shan，Xilin Chen. Dual Compensation Residual Networks for Class Imbalanced Learning. IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2023.
在长尾学习中，现有方法通常利用重采样或者重加权的方式重新平衡数据分布。然而，这种重平衡策略容易导致对尾部类别的过拟合。我们发现导致过拟合的一个重要因素是尾部类别的训练和测试数据之间存在严重的特征偏移。针对上述问题，本项目提出了一个特征补偿模块和逻辑补偿模块。首先，特征补偿模块通过对尾部类别上的特征漂移进行补偿，以缓解过度拟合问题。由于尾部类别的数据相对稀缺，尾部类别的测试数据的特征倾向于漂移到相似头部类别的特征云中。此外，特征漂移方向呈现多模式，即一个尾部类别的测试特征可能漂移到多个相似的头部类别。基于这些观察，特征补偿模块根据最近的头部类别为每个尾部类别估计一个多模式特征漂移方向。其次，逻辑补偿模块沿着类内变化转化了由特征补偿模块估计的确定性特征漂移方向。通过这种方式，尾部类别的补偿特征不仅覆盖了更广泛的特征空间，而且仍然位于真实的特征流形内，从而更好地适应测试特征的分布。我们将提出的网络在多个数据集上进行了测试，实验结果表示，提出的方法能够取得优于当前长尾学习工作的结果。
附件：