Indexed by：
Abstract：
针对训练数据不平衡问题,提出一种基于双边采样对比增强的渐进式学习分类网络(BBRCL).该方法对训练数据分别进行均匀采样和倒置采样,将均匀采样后的数据使用随机图像增强生成两个视图;把视图样本和倒置采样样本分别送入卷积神经网络进行特征学习,进一步利用对比学习策略得到高质量视图样本特征;将提取到的两种特征通过累加学习融合训练分类器,实现长尾数据分类.在两个不平衡数据集上进行实验对比,结果表明,该模型能在不损害学习深度特征能力的情况下有效处理数据不平衡问题,且分类准确率相对传统分类方法提升6%.
Keyword：
Reprint 's Address：
Email：
Version：
Source ：
计算机应用与软件
ISSN： 1000-386X
CN： 31-1260/TP
Year： 2023
Issue： 6
Volume： 40
Page： 205-210
Cited Count：
WoS CC Cited Count： 0
SCOPUS Cited Count：
ESI Highly Cited Papers on the List： 0 Unfold All
WanFang Cited Count：
Chinese Cited Count：
30 Days PV： 3
