精选理由
做长尾识别或类别不平衡任务的开发者，终于可以告别调参噩梦了——SAMN 直接省去超参数搜索，即插即用还能涨点，建议试试。
长尾识别是深度学习中的难题，两阶段解耦范式中的自适应范数缩放技术虽有效，但依赖超参数调优，性能波动大。本文提出 Self-Adaptive Monotonic Normalization (SAMN)，通过 Pool Adjacent Violators Algorithm 直接对每类权重范数施加单调性约束，无需参数正则化，彻底消除超参数敏感性。SAMN 是一种通用策略，可无缝集成到其他方法中提升性能。在多个基准数据集上，SAMN 显著提升长尾识别准确率，常达到最优结果。
AI 翻译 · 中文
长尾识别是深度学习中的难题，两阶段解耦范式中的自适应范数缩放技术虽有效，但依赖超参数调优，性能波动大。本文提出 Self-Adaptive Monotonic Normalization (SAMN)，通过 Pool Adjacent Violators Algorithm 直接对每类权重范数施加单调性约束，无需参数正则化，彻底消除超参数敏感性。SAMN 是一种通用策略，可无缝集成到其他方法中提升性能。在多个基准数据集上，SAMN 显著提升长尾识别准确率，常达到最优结果。
Long-tailed recognition poses a significant challenge for deep learning. The two-stage decoupling paradigm, which separates representation learning from classifier retraining, offers a promising solution. During the clas…