BriefGPT - AI 论文速递
·
SAU：一种通过生成模型增强长尾识别的双分支网络
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
介绍了双分支长尾识别（DB-LTR）模型，通过不平衡学习和对比学习分支解决数据不平衡问题，提高对尾部类别的适应能力。实验证明DB-LTR在长尾基准数据集上表现出竞争力和卓越性能。
🎯
关键要点
- 介绍了双分支长尾识别（DB-LTR）模型。
- DB-LTR模型包括不平衡学习分支和对比学习分支（CoLB）。
- 模型通过不平衡学习方法解决数据不平衡问题。
- 对比学习分支改善模型对尾部类别的适应能力。
- DB-LTR学习出具有良好表现特征空间和有区分度的决策边界。
- 在CIFAR100-LT、ImageNet-LT和Places-LT三个长尾基准数据集上进行大量实验。
- 实验结果表明DB-LTR在性能上具有竞争力和卓越表现。
➡️
