💡
原文中文，约4000字，阅读约需10分钟。
📝
内容提要
清华大学的一篇论文介绍了长尾视觉识别中的新方法ProCo，通过对每类数据的分布进行建模和参数估计，并从中采样构建对比学习，解决了长尾数据集中样本不均衡的问题。实验结果显示，ProCo在长尾视觉分类、半监督学习、目标检测和平衡数据集上都取得了显著的性能提升。
🎯
关键要点
- 清华大学提出了一种新的长尾对比学习方法ProCo，解决了长尾数据集中样本不均衡的问题。
- ProCo通过对每类数据的分布建模和参数估计，构建对比学习，取得了显著的性能提升。
- 研究者杜超群是清华大学自动化系的直博生，研究兴趣包括长尾学习和半监督学习。
- ProCo方法在长尾视觉分类、半监督学习和目标检测等任务中均表现出色。
- 对比学习的性能受contrastive pairs数量影响，ProCo通过建模类别分布来增加对比样本的数量。
- ProCo使用von Mises-Fisher分布对特征进行建模，能够高效估计分布参数。
- 研究者分析了ProCo的泛化误差界和超额风险界，验证了其有效性。
- 实验结果显示，ProCo在不同batch size下均能取得最佳性能，优于其他对比学习方法。
➡️
