摘要
在实际应用中，类别不平衡数据集广泛存在，这对深度神经网络在罕见类别上的泛化能力构成了重大挑战。本文提出了一种新型的稀有类别样本生成器（Rare-class Sample Generator, RSG），以应对这一问题。RSG旨在训练过程中为稀有类别生成新的样本，具有以下显著优势：（1）使用便捷且高度通用，可轻松集成到各类卷积神经网络中，并在与不同损失函数结合时均能保持良好性能；（2）仅在训练阶段使用，测试阶段无需额外计算，因此不会给深度神经网络带来额外负担。通过大量实验验证，我们充分证明了RSG的有效性。此外，借助RSG，我们在Imbalanced CIFAR数据集上取得了具有竞争力的结果，并在Places-LT、ImageNet-LT和iNaturalist 2018三个基准数据集上达到了新的最先进水平。项目源代码已开源，地址为：https://github.com/Jianf-Wang/RSG。
代码仓库
Jianf-Wang/RSG
官方
pytorch
基准测试
| 基准 | 方法 | 指标 |
|---|---|---|
| long-tail-learning-on-cifar-100-lt-r-100 | LDAM-DRW-RSG | Error Rate: 55.5 |
| long-tail-learning-on-cifar-100-lt-r-50 | LDAM-DRW-RSG | Error Rate: 51.5 |
| long-tail-learning-on-imagenet-lt | LDAM-DRS-RSG | Top-1 Accuracy: 51.8 |
| long-tail-learning-on-inaturalist-2018 | LDAM-DRS-RSG | Top-1 Accuracy: 70.3% |
| long-tail-learning-on-places-lt | LDAM-DRS-RSG | Top-1 Accuracy: 39.3 |