CAN（Classification with Alternating Normalization）提升分类性能

最新推荐文章于 2025-12-20 18:45:49 发布
转载 最新推荐文章于 2025-12-20 18:45:49 发布 · 230 阅读 · 0 ·
CC 4.0 BY-SA版权
原文链接：https://kexue.fm/archives/8728
文章标签：

#分类 #机器学习 #数据挖掘

本文介绍了一种称为CAN的方法，该方法通过利用先验分布来校正低置信度预测结果，进而提升多分类问题的准确率。尤其当类别数量较多时，效果更加显著。此方法几乎不增加额外的计算成本。

CAN用先验分布来校正低置信度的预测结果，使得新的预测结果的分布更接近先验分布。

多数情况下能提升多分类问题的效果，而且几乎没有增加预测成本，因为它仅仅是对预测结果的简单重新归一化操作

类别数目越多，效果提升越明显，如果类别数目比较少，那么可能提升比较微弱甚至会下降（当然就算下降也是微弱的）

参考https://kexue.fm/archives/8728

【超分辨率（Super-Resolution）】关于【超分辨率重建】专栏的相关说明，包含专栏简介、专栏亮点、适配人群、相关说明、阅读顺序、超分理解、实现流程、研究方向、论文代码数据集汇总等
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
03-25 3万+
本专栏研究领域为【超分辨率重建】，涵盖图像超分、视频超分，实时超分，4K修复等方面。主要内容包括主流算法模型的论文精读、论文复现、毕业设计、涨点手段、调参技巧、论文写作、应用落地等方面。算法模型从SRCNN开始更新至今，一般是一篇论文精读对应一篇论文复现。论文精读详解理论，归化繁为简，归纳核心，积累词句，培养阅读论文和论文写作能力。论文复现依托Pytorch代码，实现完整的模型训练流程，总结调参方法，记录碰到的bug，论文插图可视化，培养读写代码能力、做实验的能力、以及应用落地能力。
【ChatGPT核心原理实战】手动求解 Transformer：分步数学示例 | Solving Transformer by Hand: A Step-by-Step Math Example
AI天才研究院
12-22 4021
手动求解 Transformer：分步数学示例Understanding Transformers: A Step-by-Step Math Example — Part 1了解 Transformer：分步数学示例 — 第 1 部分I understand that the transformer architecture may seem scary, and you might have encountered various explanations on…我知道变压器架构可能看起来很可怕，并且
提升分类性能-AdaBoost
weixin_30371469的博客
05-15 402
一 前言 前面的文章已经介绍了五种不同的分类器，它们各有优缺点。我们可以很自然地将不同的分类器组合起来，而这种组合结果则被成为集成方法(ensemble method)或者元算法(meta-algorithm)。使用集成方法时会有多种形式：可以是不同算法的集成，也可以是同一种算法在不同设置下的集成，还可以是数据集不同部分分配给不同分类器之后的集成。 二 集成方法 集成方法（ensembl...
如何利用AdaBoost提高分类性能
我很帅的专栏
03-24 4757
AdaBoost属于元算法，不同于传统的单分类器（决策树、朴素贝叶斯、SVM等），它是多个分类器的组合，共同决定预测结果。而且适用数值型和标称型（类别）数据。
CAN (Condition-Aware Neural Network)
whaosoft143ai的博客
04-28 1014
此外，CaT-L0 在 ImageNet 512×512 上得到 2.78 的 FID，优于 DiT-XL/2 (3.04 FID)，DiT-XL/2 的每个扩散步骤需要 52× 高的计算成本。比如在 ImageNet 512×512 的图像生成任务，CAN 方法的 FID 比 DiT-XL/2 更小，且每个采样步骤的 MACs 少 52 倍，为边缘设备上的扩散模型应用提供支持。首先，作者发现，仔细选择一部分模块使其权重是条件感知的，而不是将所有的模块都变成条件感知的，这样做更有利于性能和效率的权衡。
机器学习入门（一） 无监督学习
Can__er的博客
07-19 619
写在前面 本文从机器学习大方向着手，分无监督，有监督，强化学习三大部分介绍最简单的概念和知识。主要参考：北理工礼欣老师的MOOC《Python机器学习应用》，布客飞龙译《写给人类的机器学习》 无监督学习：无标签分类 聚类： 根据相似性，评估“距离”： 欧式距离 曼哈顿距离 马氏距离：协方差距离，尺度无关 夹角余弦 sklearn.cluster中提供的算法： K-means：提供聚类个数，不断调整聚类中心的算法。欧氏距离。 if __name__ == '__main__': # 自己写
CAN: 借助数据分布提升分类性能
mathor的博客
12-01 2384
本文将介绍一种用于分类问题的后处理技巧（Trick），出自EMNLP 2021 Findings的一篇论文《When in Doubt: Improving Classification Performance with Alternating Normalization》。经过实测，CAN（Classification with Alternating Normalization）确实多数情况下能提升多分类问题的效果（CV、NLP通用），而且几乎没有增加预测成本，因为它仅仅只是对预测结果的重新归一化操作有
恒源云(GPUSHARE)_CAN: 借助数据分布提升分类性能
weixin_53977063的博客
11-04 510
文章来源 | 恒源云社区（专注人工智能/深度学习GPU免费加速平台，官方体验网址：https://gpushare.com） 原文作者 | Mathor 原文地址 | https://gpushare.com/forum/topic/683/can-%E5%80%9F%E5%8A%A9%E6%95%B0%E6%8D%AE%E5%88%86%E5%B8%83%E6%8F%90%E5%8D%87%E5%88%86%E7%B1%BB%E6%80%A7%E8%83%BD?_=1635993190297 本文将介绍一
分类问题后处理技巧CAN，近乎零成本获取效果提升.pdf
08-12
CAN（Classification with Alternating Normalization）是一种后处理技巧，用于提升多分类问题的效果。该方法的思想非常朴素，却非常有效。它可以在不增加预测成本的情况下，提升分类问题的效果。 CAN的思想可以用...
分类问题后处理技巧CAN：低成本提升模型效果
Improving Classification Performance with Alternating Normalization》提出，其核心思想在于通过交替归一化操作，利用类别先验分布对模型输出的低置信度预测结果进行校正，从而在几乎不增加计算开销的前提下提升...
分类问题后处理技巧CAN，近乎零成本获取效果提升
夕小瑶科技说
10-26 707
文 | 苏剑林编 | 智商掉了一地单位 | 追一科技思想朴素却不平凡的分类问题后处理技巧，浅显易懂的讲解，拿来吧你！顾名思义，本文将会介绍一种用于分类问题的后处理技巧——CAN（Class...
神奇宝贝五分类：train and test
weixin_62637793的博客
01-14 447
import torch import torchvision from torch import optim,nn import visdom from torch.utils.data import Dataset,DataLoader # 从其他函数里调用预处理和网络结构 from main import Pokemon from model import ResNet18 batch_sz=32 lr=1e-3 epochs=10 device = torch.device('cuda').
机器学习、深度学习的理论与实战入门建议整理（一）
muzhi_13的专栏
10-19 3045
机器学习、深度学习的理论与实战入门建议整理机器学习、深度学习的理论与实战入门建议整理http://blog.youkuaiyun.com/zyj098765/article/details/52860183http://blog.youkuaiyun.com/zyj098765/article/details/52860183 作者：muzhi作者：muzhi目录目录引言引言阶段一.机器学习入门阶段一.机器学习入门阶段二
Python3《机器学习实战》学习笔记（十）：提升分类器性能利器-AdaBoost
热门推荐
Jack-Cui
10-12 2万+
前面的文章已经介绍了五种不同的分类器，它们各有优缺点。我们可以很自然地将不同的分类器组合起来，而这种组合结果则被成为集成方法(ensemble method)或者元算法(meta-algorithm)。使用集成方法时会有多种形式：可以是不同算法的集成，也可以是同一种算法在不同设置下的集成，还可以是数据集不同部分分配给不同分类器之后的集成。
机械紧固件智能识别系统 _ 基于YOLOv10n的螺栓螺母螺丝垫圈自动检测与分类
OOOaaa123123的博客
12-20 507
摘要：本文提出基于YOLOv10n的机械紧固件智能识别系统，实现螺栓、螺母、螺丝、垫圈等工业零件的自动检测与分类。系统采用两阶段训练策略，在自建5000张图像的数据集上达到94.5%的mAP@0.5精度，推理速度8.2ms/帧。通过优化图像采集、数据增强和模型轻量化设计，解决了工业场景中小目标检测难题。系统包含图像采集、实时检测、结果可视化等功能模块，支持30fps实时处理，模型体积仅5.4MB，适用于嵌入式部署，显著提升了制造业质检效率和准确性。（149字）
【深度学习】Mask R-CNN在温室番茄成熟度检测中的应用——基于ResNet18与FPN的多级特征融合分类系统
Lun3866buzha的博客
12-18 685
本文提出了一种基于改进Mask R-CNN的温室番茄成熟度检测系统，通过结合ResNet18骨干网络和FPN多级特征融合技术，实现了对不同成熟度番茄的高精度识别。系统采用5000张标注图像进行训练，通过数据增强提高模型鲁棒性，最终在测试集上达到92.3%的准确率和89.7%的mAP。实际部署采用边缘计算设备，处理速度达20FPS，显著提升了番茄采摘效率。实验表明，该系统在复杂光照条件下表现稳定，为智能农业提供了有效的技术解决方案。
教育/培训行业智能体应用分类及知识库检索模型微调
墨浅
12-19 199
本文介绍了教育/培训行业中智能体的应用及知识库检索模型的技术实现。知识库检索采用Embedding模型快速检索候选结果，再通过Reranker模型进行精细排序。文章推荐了最新的检索模型资源，并提出了利用难负例微调Embedding模型的策略，即通过引入与正例相似但相反的示例来优化模型性能。
CornerNet-Hourglass104生产线检测与分类-1模型训练与部署
最新发布
Faker66363aaa的博客
12-20 621
本文介绍了基于CornerNet-Hourglass104模型的生产线纸箱与塑料盒检测分类系统。作者详细分享了从环境配置（10张4090显卡+CUDA 11.8）、模型训练到实际部署的全流程。针对4090显卡算力与CUDA兼容性问题，提出了有效的解决方案。该系统采用无锚框设计，通过检测物体角点实现高精度识别，在10000张图像的数据集上训练后达到91.4%的mAP@0.5和38FPS的推理速度。实际测试表明，该系统在复杂工业环境下误检率低于2%，漏检率低于1.5%，显著提升了生产线自动化水平。文章还提供了完
【对比语言-图像预训练】SuperCLIP：基于简单分类监督增强的 CLIP 模型
liangdaojun的博客
12-16 992
SuperCLIP通过引入轻量级分类监督机制，在保持CLIP原有优势的基础上显著提升了细粒度视觉-文本对齐能力。该方法仅需在视觉编码器后添加0.077%计算量的线性层，利用文本token构建IDF加权的K-hot监督信号，将分类损失与对比损失结合。实验表明，SuperCLIP在零样本分类、图像检索等任务中性能提升显著（如ImageNet-1K准确率最高提升4%），同时有效缓解了CLIP小批次训练的性能下降问题。该框架可无缝集成到SigLIP等多种CLIP-style模型中，并在纯视觉任务和多模态LLM中展现
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值