摘要

现实世界中的数据通常遵循长尾分布，即少数主流类别占据了大部分数据，而绝大多数少数类别仅包含有限的样本。基于交叉熵最小化的分类模型在表征和识别尾部类别方面表现不佳。尽管学习无偏分类器的问题已得到广泛研究，但针对不平衡数据的表征学习方法仍缺乏深入探索。本文聚焦于不平衡数据的表征学习问题。近年来，监督对比学习（Supervised Contrastive Learning, SCL）在平衡数据上展现出优异性能。然而，通过理论分析我们发现，对于长尾数据，SCL无法形成理想的几何构型——正单纯形（regular simplex），而正单纯形正是表征学习中理想的特征分布结构。为修正SCL的优化行为，并进一步提升长尾视觉识别的性能，本文提出一种新型的平衡对比学习损失函数，即平衡对比学习（Balanced Contrastive Learning, BCL）。与SCL相比，BCL在两个方面进行了改进：一是类别平均（class-averaging），通过均衡负类别的梯度贡献，缓解类别偏差；二是类别补全（class-complement），确保每个小批量（mini-batch）中均包含所有类别。所提出的BCL方法能够满足形成正单纯形的条件，从而有效辅助交叉熵损失的优化过程。在BCL的驱动下，本文提出的双分支框架能够学习到更具判别性的特征表示，并在多个长尾基准数据集（包括CIFAR-10-LT、CIFAR-100-LT、ImageNet-LT和iNaturalist2018）上取得了具有竞争力的性能表现。相关代码已开源，地址为：https://github.com/FlamieZhu/BCL。