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
-
研究论文质疑对比学习中共享温度的假设
一篇新的研究论文探讨了概率对比学习中共享温度与角度尺度之间的关系，特别是在高维设置下。该研究使用 von Mises-Fisher (vMF) 概率分数，证明了共享温度并不一定意味着类别表示共享相似度尺度。该研究准确预测了在 CIFAR-LT 和 ImageNet-LT 等真实世界数据集上的决策边界和特征梯度的变化，表明 vMF 浓度在此领域中的决策和学习尺度中起着至关重要的作用。
-
VICAL框架通过减少预测方差来改进长尾视觉识别
研究人员推出了一种名为VICAL的新型框架，旨在增强长尾视觉识别能力。与以往侧重于最大化多专家模型中专家多样性的方法不同，VICAL优先考虑方差减少。该框架结合了自一致性学习（Self-Consistency Learning）来平滑损失景观并减轻过拟合，特别是针对尾部类别，以及深度集成蒸馏（Deep Ensemble Distillation）来促进跨专家语义一致性。在CIFAR-LT、ImageNet-LT和iNaturalist…
-
新的GBC框架增强长尾半监督学习
研究人员开发了一个名为高斯桥一致性（GBC）的新框架，以改进在具有长尾标签分布和噪声伪标签的场景下的半监督学习（SSL）。GBC通过动态原型图谱在未标记样本和高质量类别锚点之间构建语义插值路径。这使得学生模型可以通过一条从不确定预测到可靠类别原型的平滑轨迹进行学习，并通过桥一致性损失强制执行。此外，还引入了一种名为BridgeMix的置信感知特征混合策略，以增强跨样本泛化能力。
-
新的DirMixE方法增强了AI模型中的长尾识别能力
研究人员推出了一种新颖的混合专家（MoE）策略DirMixE，旨在提高对长尾数据集的识别能力，这些数据集的测试标签分布未知且不平衡。该方法通过将专家分配给不同的Dirichlet元分布来解决标签分布的全局和局部变异。该论文还提出了一个通用的潜在技能微调（LSF）框架，用于基础模型的参数高效微调，并推导了泛化误差界限的理论。
-
CLEAR框架增强长尾分类的可靠性
研究人员推出了一种新颖的集成框架CLEAR，旨在提高长尾分类任务的可靠性。该方法使用结构化采样生成多样化的专家，然后为每个专家估计一个类别的信任分数。在推理过程中，CLEAR通过强调不同类别使用不同的专家来组合专家预测，从而在CIFAR-100-LT、ImageNet-LT和Places-LT等基准数据集上实现了具有竞争力的整体准确性和增强的少样本性能。
-
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。