ImageNet-LT
PulseAugur coverage of ImageNet-LT — every cluster mentioning ImageNet-LT across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新采样方法提升长尾学习准确性
研究人员开发了一种名为锐度引导均衡采样（SGS）的新方法，以提高在长尾数据集上训练的模型的性能。SGS在训练过程中动态调整数据点的采样概率，优先考虑代表性不足的类别，同时在锐度感知最小化（SAM）使用时降低那些导致损失景观显著变化的类别权重。该方法旨在实现更平衡、更平坦的损失景观，从而提高泛化能力。SGS-SAM在CIFAR-100 LT和ImageNet-LT基准测试中表现出显著的改进，尾部准确率最高提升10.85个百分点，整体准确…
-
新的BS-cRT方法提高了长尾识别的准确性
研究人员开发了一种名为BS-cRT的新型长尾识别基线方法，旨在通过在初始训练后仅重新训练分类器来提高准确性。该两阶段过程包括使用平衡Softmax训练骨干网络和余弦分类器，然后冻结骨干网络，仅在平衡的样本批次上更新分类器。BS-cRT方法在CIFAR-100-LT、CIFAR-10-LT、ImageNet-LT和Places-LT等各种数据集上持续提高少样本准确性，尤其是在较高的不平衡因子下显示出显著的提升。
-
新研究推动扩散模型在图像编辑、数据增强和遗忘方面的进展
研究人员正在探索扩散模型的先进技术，重点是改进图像编辑、数据增强和遗忘能力。新方法旨在通过改进ODE求解器和矢量场平滑来提高图像编辑的稳定性和保真度。对于数据增强，正在开发不确定性指导策略，通过关注信息区域来改进语义分割模型。此外，扩散模型遗忘方面的进展正在取得，研究调查了选择性遗忘和使用稀疏自编码器将概念检测与干预分离，旨在获得更清晰的结果并更好地保留模型质量。
-
新CCUA方法提升了稀有类别AI图像生成能力
研究人员开发了一种名为对比条件-无条件对齐（CCUA）的新方法，以提高扩散模型生成的图像的质量和多样性，特别是在训练数据有限的类别上。CCUA结合了对齐损失（AL），使去噪过程在早期阶段对类别条件的敏感度降低，促进了头部和尾部类别之间的知识共享，以及无监督对比损失（UCL），以增加合成图像之间的差异性。该方法在不损害头部类别质量的情况下增强了尾部类别的生成能力，并在ImageNet-LT等数据集上显示出优于现有方法的性能。