摘要
在大多数现实场景中，带有标签的训练数据集普遍存在类别严重不平衡的问题，导致深度神经网络难以在平衡的测试标准下实现良好泛化。本文提出一种新颖而简洁的方法，通过将频次较高的类别中的样本（如图像）进行迁移，从而增强频次较低类别的样本数量，以缓解这一问题。该方法通过迁移并利用多数类别的多样性信息，使分类器能够学习到更具泛化能力的少数类特征。在多种类别不平衡数据集上的实验结果表明，与现有的重采样或重加权方法相比，所提出的方法显著提升了对少数类别的泛化性能，其表现甚至超越了以往最先进的不平衡分类方法。