CVPR 2020 系列論文解讀公開課第六期，就在5月9日（本周六）20:00 整（北京時(shí)間）進(jìn)行。 

AI科技評(píng)論出品

針對(duì)目前國(guó)際疫情形勢(shì)越發(fā)嚴(yán)峻，無法現(xiàn)場(chǎng)參會(huì)進(jìn)行學(xué)術(shù)交流的情況，AI科技評(píng)論組織策劃了頂會(huì)系列專題活動(dòng)，這其中就包括【CVPR 2020 專題】系列活動(dòng)。而【CVPR 2020系列論文解讀公開課】更是其中重要的組成部分，除此之外，專題還包括系列論文文字解讀，會(huì)議數(shù)據(jù)分析，會(huì)議資源下載等。

本次直播為【CVPR 2020 系列論文解讀公開課】第六期，此論文錄用為CVPR 2020 論文《Deep Representation Learning on Long-tailed Data: A Learnable Embedding Augmentation Perspective》，我們有幸邀請(qǐng)到了改論文一作，來自吉林大學(xué)計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院在讀博士生劉家倫博士，帶來關(guān)于“長(zhǎng)尾分布下的特征學(xué)習(xí)方法介紹及最新進(jìn)展”的分享。

論文地址：https://arxiv.org/abs/2002.10826

真實(shí)世界中的數(shù)據(jù)分布總是呈現(xiàn)出長(zhǎng)尾分布模式，即少量類別（頭部類）擁有大量數(shù)據(jù)，而大部分的類別（尾部類）僅有少量的樣本，導(dǎo)致模型訓(xùn)練過程中出現(xiàn)嚴(yán)重的偏差，使得長(zhǎng)尾分布下的特征學(xué)習(xí)格外困難。

本次分享將重點(diǎn)介紹 CVPR 2020上的一篇論文“Deep Representation Learning on Long-tailed Data: A Learnable Embedding Augmentation Perspective”。本文提出了“feature cloud”的概念，在模型訓(xùn)練過程中，為每一個(gè)尾部數(shù)據(jù)構(gòu)建“feature cloud”，就像電子云填充空曠的原子一樣，將一個(gè)真實(shí)的尾部特征表示為一簇特征，以此實(shí)現(xiàn)對(duì)尾部數(shù)據(jù)的data augmentation。方法簡(jiǎn)潔、高效，避免了像GAN這樣復(fù)雜的操作。

另外，“feature cloud”在實(shí)際的大規(guī)模呈現(xiàn)長(zhǎng)尾分布的業(yè)務(wù)數(shù)據(jù)上取得了顯著的性能提升。

分享提綱：

1、計(jì)算機(jī)視覺任務(wù)中數(shù)據(jù)呈現(xiàn)長(zhǎng)尾分布帶來的問題。

2、“為尾部樣本構(gòu)造特征云”CVPR2020論文講解。

3、長(zhǎng)尾分布問題最近研究進(jìn)展介紹。

 

主講嘉賓：

如何觀看直播？

直播地址：https://mooc.yanxishe.com/open/course/809

或者掃描下方海報(bào)二維碼

掃碼關(guān)注[ AI研習(xí)社頂會(huì)小助手] 微信號(hào)，發(fā)送關(guān)鍵字“ CVPR ”，即可進(jìn)群獲取直播課程資料。       

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。