一种基于类先验分布与特征扰动引导的长尾特征学习方法

本发明公开了一种基于类先验分布与特征扰动引导的长尾特征学习方法。针对输入的一批长尾分布图像样本，首先将其复制为三组，并分别应用基础的数据增强操作后输入至网络模型。对于第一组和第二组的对比特征，通过高斯扰动和类先验分布系数分别进行特征扰动；而对于第三组的分类特征，则通过全连接层变换生成类中心特征，并基于与类样本数量呈负相关的高斯扰动频次，补充每个批次的类特征样本以参与训练。最终，通过计算损失来更新模型参数。通过本发明的方法，模型能够在长尾分布数据集上学习到更具判别力的特征分布，从而显著提升长尾分类的准确性。本发明同样适用于自动驾驶场景识别、医学图像细粒度分类等具有长尾分布的视觉识别应用场景。