BriefGPT - AI 论文速递
·
Pursuing Better Decision Boundaries for Long-Tailed Object Detection via Category Information Amount
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本研究提出了类别信息量的概念，解决了长尾分布数据集中模型表现不佳的问题。通过引入信息量引导角度边际（IGAM）损失，动态调整决策空间，显著减小类别偏差，并在多个数据集上取得了良好效果。
🎯
关键要点
- 本研究提出了类别信息量的概念，旨在解决长尾分布数据集中模型表现不佳的问题。
- 研究发现类别信息量与模型准确率之间存在显著负相关关系。
- 基于这一观察，提出了信息量引导角度边际（IGAM）损失，能够动态调整每个类别的决策空间。
- 通过引入IGAM损失，显著减小了长尾数据集中的类别偏差。
- 该方法在多个数据集上取得了良好的效果。
➡️
