研究人员开发了一种新的长尾识别（LTR）方法，解决了现有神经崩溃（NC）方法中尾部类别过度收缩的问题。他们的方法，即可控部分神经崩溃，使用了类别自适应稀疏激活（CASA）和ETF约束自适应边距（ETF-AM）损失。这种方法允许头部类别崩溃，同时保留尾部类别的类内多样性，从而提高了在CIFAR100-LT和ImageNet-LT等数据集上的准确性。 AI
影响 这项研究可能带来更强大的人工智能模型，能够更好地处理不平衡数据集，从而在具有不同数据分布的实际应用中提高性能。
排序理由 该集群包含一篇研究论文，详细介绍了一种提高人工智能模型在长尾识别任务上性能的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
- Casa
- CIFAR100-LT
- Class-Adaptive Sparse Activation
- Equiangular tight frames from group divisible designs
- ETF-AM
- ETF-constrained adaptive margin
- Full Collapse Is Suboptimal: Controlled Partial Neural Collapse for Long-Tailed Recognition
- ImageNet-LT
- iNaturalist-2018
- Places-LT
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
