多标签长尾学习的鲁棒非对称损失
原文中文，约300字，阅读约需1分钟。发表于：。本文提出了一种鲁棒的不对称损失函数，能够同时解决长尾和多标签分类问题，适用于医学图像分类任务，能够有效缓解多个超参数优化困难和模型过拟合的风险。实验证明该方法在长尾多标签医学图像分类和其他长尾单标签数据集上具有较好的性能，且在 ICCV CVAMD 2023 竞赛的 CXR-LT 数据集上取得 Top-5 的结果。
本文提出了一种鲁棒的不对称损失函数，解决长尾和多标签分类问题，适用于医学图像分类任务。该方法能够缓解超参数优化困难和模型过拟合的风险，实验证明在长尾多标签医学图像分类和其他长尾单标签数据集上具有较好的性能，并在ICCV CVAMD 2023竞赛的CXR-LT数据集上取得Top-5结果。
