BBN: Bilateral-Branch Network with Cumulative Learning for Long-Tailed Visual Recognition

文章目录

概
主要内容
- 采样方式
- 权重 α \alpha α
- Inference phase
代码

Zhu B., Cui Q., Wei X. and Chen Z. BBN: Bilateral-Branch Network with Cumulative Learning for Long-Tailed Visual Recognition. CVPR 2020.

概

数据的长短尾效应是当前比较棘手的问题, 本文提出用分支网络来应对这一问题, 并取得了不错的结果.

主要内容

这篇文章的创新点是用两个分支来适应数据的不平衡.
如图所示, 上面的分支用于标准的训练, 而下面的分支则采用适合不平衡数据的训练方式: 即一般的训练是均匀的采样分布, 而非标准训练采用的是一个非均匀的依赖于样本分布的.

通过均匀采样得到 ( x c , y c ) (x_c, y_c) (xc,yc), 通过非均匀采样得到 ( x r , y r ) (x_r, y_r) (xr,yr), 分别喂入上下分支得到特征表示 f c f_c fc和 f r f_r fr.
注意到, 上下两个分支是共享部分参数的, 作者实际选择的是残差网络, 设定为除了最后一个residual block外均是共享的.

根据 f c f_c fc和 f r f_r fr进一步得到
z = α W c T f c + ( 1 − α ) W r T f r , z = \alpha W^T_c f_c + (1-\alpha) W_r^T f_r, z=αWcTfc+(1−α)WrTfr,
即 [ z 1 , z 2 , ⋯ , z C ] T [z_1, z_2,\cdots, z_C]^T [z1,z2,⋯,zC]T.
得到相应的概率向量
p ^ i = e z i ∑ i = 1 C e z j . \hat{p}_i = \frac{e^{z_i}}{\sum_{i=1}^{C}e^{z_j}}. p^i=∑i=1Cezjezi.
最后通过下列损失函数进行训练
L = α E ( p ^ , y c ) + ( 1 − α ) E ( p ^ , y r ) . \mathcal{L} = \alpha E(\hat{p}, y_c) + (1-\alpha)E(\hat{p}, y_r). L=αE(p^,yc)+(1−α)E(p^,yr).
实际上, α \alpha α就是一个调整标准训练和处理不平衡数据的权重.

采样方式

对于非均匀分布, 作者采取了如下方式构造采样分布, 假设每个类的样本数目为 N i , i = 1 , 2 , … , C N_i, i=1,2,\ldots,C Ni,i=1,2,…,C. 则采样比例为
P i = w i ∑ j = 1 C w j , P_i = \frac{w_i}{\sum_{j=1}^C w_j}, Pi=∑j=1Cwjwi,
其中 w i = 1 N i w_i=\frac{1}{N_i} wi=Ni1.

权重 α \alpha α

作者采用的是这样的一种方案
α = 1 − ( T T m a x ) 2 , \alpha = 1 - (\frac{T}{T_{max}})^2, α=1−(TmaxT)2,
其中 T T T为当前的epoch, T m a x T_{max} Tmax为总的训练epochs.
在实际测试中, 作者也尝试了一些别的方案, 不过别的方案不如此方案理想.
直观上的解释就是, 训练过程会有普通的训练渐渐偏向re-balance的训练.

Inference phase

在推断过程中, 设定 α = 0.5 \alpha=0.5 α=0.5.

代码

原文代码