软件学报:jos:7629 · 记录 #1

样本-特征协同的长尾识别算法

来源日期 2026-07-08

来源记录日期 2026-07-08

雷达观测 2026-11-05 00:19

摘要

现实场景中的数据分布普遍呈现长尾模式, 导致所训练的深度模型常遭遇头部偏置困境, 即模型偏向于头部类而在尾部类上表现欠佳. 一种简单且有效的策略是通过增广尾部类样本来平衡数据分布. 尽管多数基于该策略的方法能在样本数量上实现重平衡, 但生成的样本仍存在语义漂移和多样性不足的风险, 导致特征分布松散和决策边界有偏, 限制了模型性能. 为此, 提出一种样本-特征协同的长尾识别算法, 旨在构建对数据分布不敏感的分类模型. 具体而言, 在样本层面, 基于傅里叶变换提出“幅值增广”策略, 借助幅值迁移来转换增广样本的风格, 能够在丰富样本多样性的同时保留原有语义信息; 在特征层面, 依据神经坍塌理论提出“特征坍塌”损失, 将类原型对齐至具有最大可分性的等角紧框架, 并促使特征收敛至对应的类原型, 实现最大的类间间隔. 该方法从样本和特征两个层面缓解头部偏置问题, 进而增强类内紧凑性并校准决策边界. 多个基准数据集上的实验结果表明该方法可显著提高长尾识别性能.