CLEAR: Class-wise Expert Aggregation with Structured Sampling for Long-Tailed Classification
Di cosa parla
Si presenta un metodo che crea più "esperti" specializzati per riconoscere classi sbilanciate nelle immagini e, per ogni classe, stima quanto fidarsi di ciascun esperto. Gli esperti sono ottenuti tramite una selezione che conserva tutte le etichette; la fiducia si basa su quanto spesso un esperto indovina una classe, e le predizioni vengono combinate dando più peso agli esperti più affidabili. I test mostrano prestazioni competitive e miglioramenti per le classi con pochi esempi.
Cosa permette di osservare
Permette di valutare se conviene combinare modelli specializzati scegliendo quale esperto privilegiare per ogni classe invece di usare un unico modello o riequilibrare i dati. Consente anche di esplorare modi per migliorare le predizioni sulle classi rare.
Dalla fonte
Long-tailed classification poses a reliability challenge because models trained on imbalanced data are unevenly reliable across frequent and underrepresented classes. While existing methods address imbalance through re-balancing, adjustment, representation learning, or multi-expert modeling, they rarely estimate which expert should be trusted for each class. This paper proposes CLEAR (Class-wise reLiability-aware Expert Aggregation for long-tailed Recognition), a modular ensemble framework for long-tailed classification. CLEAR generates diverse experts through threshold-based structured sampling while preserving the full label space, then estimates a class-wise trust score for each expert using a smoothed class-wise precision formulation. During inference, expert predictions are combined through class-wise generalized product-of-experts aggregation, allowing different experts to be emph…