概述

旷视研究院新出的paper，主要用来解决识别分类中的长尾问题。通过试验表明均匀采样可以获取更好的通用特征，而重采样可以更好地解决尾部识别问题，提升识别正确率。因此，paper提出用一个两分支网络来学习特征的方法，两个分支共享大部分权重。分支1的样本为均匀分布的，分支2的样本为重采样的，两个分支学到的特征通过alpha加权后送入各自的分类器，最后结果在相加得到最终的输出。loss为加权交叉熵。其中alpha在训练早期值较大，后期较小，早期偏重学习通用特征，后期偏重处理尾部数据。结果当然也是很惊艳的。

Extensive experi- ments on four benchmark datasets, including the large-scale iNaturalist ones, justify that the proposed BBN can signif- icantly outperform state-of-the-art methods.

network.png

• paper link
• github
• 解读

概念

不平衡因子

用来衡量数据集的长尾分布问题的严重程度。

细节

损失函数

其中，E表示交叉熵损失，表示均匀采样的样本的gt，表示重采样的样本的gt。

alpha值

如何实现重采样

1.计算每个类别的值。，其中，
2.根据值随机选择一个类别。
3.从i类中均匀地选取一个样本。

如何实现两个分支

用不同的模块区分

self.cb_block = block(self.in_planes, self.in_planes, stride=1)
self.rb_block = block(self.in_planes, self.in_planes, stride=1)

如何同时获取两组数据

将重采样数据存储在meta中

meta['sample_image'] = sample_img
meta['sample_label'] = sample_label