本文介绍了一种基于ACE的长尾识别方法,显著提升了CIFAR和ImageNet等数据集的性能。通过对比学习和视觉-语言结合,提出了高效的Prompt调整方法和动态调整技术,优化了视觉变换器的适应性和推理效率,验证了在多种任务中的优越表现。
本研究探讨了不同平衡策略对长尾识别的影响,发现简单的实例平衡抽样能有效提升分类器性能。提出的多阶段训练方案和提示调整方法在长尾分类中表现优异,尤其在多个数据集上取得了先进结果。此外,研究构建了统一框架,结合文本和图像,显著提高了小类别的识别能力。
本文介绍了一种用于长尾识别的解耦监督对比学习方法,通过解耦正样本并优化它们的关系来减轻数据集不平衡的影响。同时,提出了基于块的自蒸馏方法,将知识从头类转移到尾类,以缓解尾类表征不足的问题。实验结果显示该方法在长尾识别任务中表现出较好的性能。
该论文探讨了通过有针对性的监督对比学习(TSC)提高长尾识别中少数类的准确率,提出了平衡对比学习(BCL)和遮蔽对比学习等方法,以优化特征学习和分类精度。实验结果表明,这些方法在多个数据集上表现优异,超越了现有技术。
该文综述长尾识别方法,涵盖平衡对比学习(均衡梯度、多类采样)、解耦学习(表示不受不平衡影响,仅调分类器)、Balanced Softmax(解决分布不匹配)、梯度平衡聚类、Uniform Mixup与Bayes Bias(改善校准)、辅助学习(拆分分类器与特征提取器)、特征空间增强(补尾部类)、标签感知平滑与批次偏移规范化、EMANATE与Breadcrumb增强,以及元学习(估计类条件差异)。
该文综述视觉-语言模型研究进展,涵盖不平衡数据下的轻量解码器改进、CLIP零样本识别的细粒度优势与相似度偏差、预训练与迁移蒸馏方法,以及BALLAD长尾识别、LOVM评估基准、Re-ViLM检索增强、LLM辅助细粒度分类、SyViC合成数据和VaLM视觉增强语言建模等成果。
完成下面两步后,将自动完成登录并继续当前操作。