卷积神经网络长尾数据集识别的技巧包介绍

1、卷积神经网络长尾数据集识别的技巧包

　　最近，长尾识别持续引起关注，产生了很多不同的方法，这些方法属于不同的范式，度量学习，元学习和知识迁移。尽管这些方法在长尾数据集上取得了稳定的精度的提升，但是要么对于超参数非常的敏感，要么训练过程非常的复杂，而且，在现实场景中很难用起来。除去这些方法，长尾数据集的识别中还有一些tricks，这些tricks非常简单，只是对原始的方法做很小的修改，比如修改一下损失函数，修改一些采样策略，但是会对结果产生很大的影响。但是，这些tricks在使用的时候容易相互影响。比如说，重采样和重加权是两个常用的tricks，重采样的目的是生成均衡的数据集，重加权的目的是针对类别的概率对类别进行反向的加权。但是两者一起使用的时候，可能会反而效果变得更差。

　　因此，在使用这些tricks的时候，我们需要知道，哪些是可以组合在一起使用的，哪些可能会相互影响。本文中，我们关注哪些常用的，容易部署的，超参数不敏感的tricks。