这篇论文的原理上不算复杂。
主要工作和贡献：

  • 将扩散模型应用到长尾数据的识别中（首次），通过扩散模型，对长尾数据进行数据增强，优化了识别效果。
  • 在潜空间而非像素空间运用扩散模型，减少了计算开销，提升速度。
  • 在不同的基线模型上，运用作者提出的模型（LDMLR），提升了在长尾数据识别工作的性能。

一些知识

  • 长尾数据：长尾数据（Long-tailed Data）是指在数据集分布中，少数类（头部类）包含大量样本，而大多数类（尾部类）仅有极少样本的偏态分布现象。这种数据分布会导致机器学习模型在头部类上表现良好，但在长尾部分的样本识别率低、效率不高，从而显著降低整体模型精度。
  • 不平衡因子:IF = 数量最多的类别的样本数 / 数量最少的类别的样本数
  • 长尾数据的常用处理方法：数据重采样（包含过采样和欠采样）、代价敏感学习和重加权、表示学习解耦、迁移学习和知识蒸馏

本论文的思路类似于表示学习解耦。

模型原理

LDMLR模型分为三个部分，图像编码、表征生成、分类器训练。

图像编码

把常用的