![arxiv：2412.15477V1 [CS.CV] 2024年12月20日](/simg/4/49250d0a542083947e8ca98027ad367b67d6f7eb.webp)
机构名称：
¥ 1.0
接受严重失衡的数据培训时，深层神经网络通常很难准确地识别几个样本的课程。先前在长尾认可的研究试图使用已知样本分布来重新平衡学习，主要解决了同类水平上不同的分类困难。但是，这些方法通常会忽略每个类内的实例难度变化。在本文中，我们提出了一个困难的平衡利润率（DBM）损失，这既考虑阶级失衡和实例难度。dbm损失包括两个组成部分：一个范围的边缘，以减轻由不平衡的类频率引起的学习偏见，以及根据其自发的难度分配给硬阳性样本的实例余量。dbm损失通过将较大的边缘分配给更困难的样本来提高类别的判别性。我们的方法与现有方法无缝结合，并始终提高各种长尾识别基准的性能。
arxiv：2412.15477V1 [CS.CV] 2024年12月20日
主要关键词
![arxiv：2412.15477V1 [CS.CV] 2024年12月20日PDF文件第1页](/bimg/e/e6085d7cfd96a347eff76a28502edb2b671896d1.webp)
![arxiv：2412.15477V1 [CS.CV] 2024年12月20日PDF文件第2页](/bimg/2/26025610b16826f35d4d81f2f96b10859c7e90a0.webp)
![arxiv：2412.15477V1 [CS.CV] 2024年12月20日PDF文件第3页](/bimg/4/409dbc610764670147c28f3234e08525c07c88dd.webp)
![arxiv：2412.15477V1 [CS.CV] 2024年12月20日PDF文件第4页](/bimg/c/c71857e6ac47de182fc7708ed713363a5b222559.webp)
![arxiv：2412.15477V1 [CS.CV] 2024年12月20日PDF文件第5页](/bimg/e/eaae316dd40d106895a11dc0e11e09f9f4177f25.webp)
相关文件推荐
![arxiv：2412.01197v1 [CS.CV] 2024年12月2日](/simg/e/e6ffeff43c00482c7a4779e5d709ce79a092544e.webp)
![arxiv：2412.15649v1 [eess.as] 2024年12月20日](/simg/6/64e3b658ffe6198144246df61fa9d54a996d6b60.webp)
![arxiv：2412.04469v1 [CS.CV] 2024年12月5日-NIPS Papers](/simg/d/d2c25b9caa37938f66dbb4fdda58fd675645fcf3.webp)
![arxiv：2408.09358v2 [CS.CV] 2024年8月20日](/simg/9/9c7601f6283402fa75890197349dd4c7072fda58.webp)
![arxiv：2401.11228v1 [CS.CV] 2024年1月20日](/simg/4/4dd72e7eae90a1bcd34bf09c3f1c60e8cf6393ea.webp)
![arxiv：2409.08475v3 [CS.CV] 2024年12月19日](/simg/4/4118fc8a3148ada62518b381fadb2e4ca28dfb1f.webp)
![arxiv：2212.04965v2 [CS.CV] 2024年5月20日](/simg/f/fac022dade369cf22ce77cd10d24214e6618a3d2.webp)
![arxiv：2303.16900V2 [CS.CV] 2024年12月31日](/simg/7/7fbd38e5186adbb4127c602f7882076c73aa6525.webp)
![arxiv：2412.03206v1 [CS.ET] 2024年12月4日](/simg/a/aa6a96e88b19e56e99a1bb2ab7390398bd7b3575.webp)
![arxiv：2412.03315v1 [cs.cv] 2024年12月4日](/simg/8/8a22007559c8d24d5220854d990bac95efecaebf.webp)
![arxiv：2412.13652v1 [cs.cv] 2024年12月18日](/simg/6/636b2ce73c9ef6682009638585706ab18a6f989e.webp)
![arxiv：2412.05024v1 [cs.ro] 2024年12月6日](/simg/8/87d4fa5715751706d180dd1f0a48fb98bfa72b7d.webp)
![arxiv：2412.14135v1 [cs.ai] 2024年12月18日](/simg/b/ba6858cc5362071828a21c1cb0683c3c2b12b707.webp)
![arxiv：2412.08580v2 [cs.cv] 2024年12月13日](/simg/1/19dd6a46813f915b66aeefb39547498261a82650.webp)
![arxiv：2412.15638v1 [cond-mat.mes-hall] 2024年12月20日](/simg/f/fd748e760441ac8af7a05b5166b9227323f50ee5.webp)
![arxiv：2412.07102v1 [q-bio.nc] 2024年12月10日](/simg/a/af424c332c188877ed0f4600c61c55e0e93a150c.webp)
![arxiv：2412.03654v2 [Quant-ph] 2024年12月19日](/simg/2/2360309a1f3df70ac676970a480d93d3ba61ac64.webp)
![arxiv：2404.00717v3 [CS.RO] 2024年12月24日](/simg/8/8039245c57bbe43971b6b61ef25733ec15c7c6df.webp)
![arxiv：2412.14324v1 [Quant-ph] 2024年12月18日](/simg/5/584dff39d9703654c564756e91a70ab4b5d2b803.webp)
![arxiv：2312.14115v2 [CS.RO] 2024年3月20日](/simg/e/e99ee2fdaea7aa8c5ff485da7d65812045754dff.webp)
![arxiv：2412.07623v1 [Quant-ph] 2024年12月10日](/simg/2/206d07d0c3d81e24d44a15476c3e76d02bc1858d.webp)
![arxiv：2412.19197v1 [Math.ap] 2024年12月26日](/simg/7/7f2af545e341d1ea82b5aa4511a1d0f05d37869f.webp)
![arxiv：2412.11918v1 [Quant-ph] 2024年12月16日](/simg/e/ed3f2b369bed5135dca7fbf16cfa70d45057deef.webp)
![arxiv：2401.08687v2 [CS.CV] 2024年8月13日](/simg/2/21a00eb50769f592898182bdc195e5cf792ce43d.webp)
![arxiv：2311.14656v3 [CS.CV] 2024年1月16日](/simg/6/6719bc3d423809c89dce0217b4e73bcb57eec732.webp)
![arxiv：2411.15497V2 [CS.CV] 2024年11月26日](/simg/8/811ad24cc1d5902e1721b00a4ab5775467ef340d.webp)
![arxiv：2305.04536v2 [CS.CV] 2024年6月18日](/simg/9/954ae78a6188e649adb8f41247881a246a455e8d.webp)
![arxiv：2411.02397v2 [CS.CV] 2024年11月7日](/simg/b/b528467858d2f38a90eea4422320b7196b495298.webp)