RSG: Ein einfaches aber wirksames Modul zur Lernung unbalancierter Datensätze

Ungleichverteilte Datensätze treten in der Praxis häufig auf und stellen eine große Herausforderung bei der Ausbildung tiefer neuronalen Netzwerke mit guter Generalisierungsfähigkeit für seltene Klassen dar. In dieser Arbeit stellen wir einen neuen Generator seltener Klassenproben (RSG, Rare-class Sample Generator) vor, um dieses Problem zu lösen. Der RSG zielt darauf ab, während des Trainings neue Proben für seltene Klassen zu generieren, und zeichnet sich insbesondere durch folgende Vorteile aus: (1) Er ist einfach zu verwenden und äußerst vielseitig, da er problemlos in beliebige Arten von Faltungsneuronalen Netzwerken integriert werden kann und gut mit verschiedenen Verlustfunktionen funktioniert; (2) Er wird ausschließlich im Trainingsphase eingesetzt und belastet daher die tiefen neuronalen Netzwerke im Testphase nicht zusätzlich. In umfangreichen experimentellen Evaluierungen bestätigen wir die Wirksamkeit des RSG. Darüber hinaus erzielen wir mit Hilfe des RSG konkurrenzfähige Ergebnisse auf Imbalanced CIFAR sowie neue state-of-the-art-Ergebnisse auf Places-LT, ImageNet-LT und iNaturalist 2018. Der Quellcode ist unter https://github.com/Jianf-Wang/RSG verfügbar.