使用一个特别设计的损失来处理类别不均衡的数据集

作者：Vandit Jain编译：ronghuaiyang导读本文是谷歌对CVPR ' 19上发表的一篇文章的综述，文章的标题是Class-Balanced Loss Based on Effective Number of Samples。它为最常用的损耗(softmax-cross-entropy、focal loss等)提出了一个针对每个类别的重新加权方案，能够快速提高精度，特别是在处理高度类不平衡的数据时。本文是谷歌对CVPR ' 19上发表的一篇文章的综述，文章的标题是Class-Balanced Loss Based on Effective Number of Samples。它为最常用的损耗(softmax-cross-entropy、focal loss等)提出了一个针对每个类别的重新加权方案，能够快速提高精度，特别是在处理高度类不平衡的数据时论文的PyTorch实现源码：https://github.com/vandit15/Class-balanced-loss-pytorch样本的有效数量在处理长尾数据集(其中大部分样本属于很少的类 ………………………………