主要观点总结
本文介绍了一种新颖的提示学习方法——类别提示精炼特征学习（CPRFL），用于长尾多标签图像分类（LTMLC）。该方法利用预训练的CLIP模型提取类别语义，建立头部和尾部类别之间的语义关联。通过渐进式双路径反向传播机制精炼提示，并采用非对称损失解决正负样本不平衡问题。实验结果表明，该方法在LTMLC任务中显著优于最近先进方法。
关键观点总结
关键观点1: CPRFL的提出背景
现实世界中数据通常呈现长尾分布，多标签分类是常见场景。LTMLC面临头尾不平衡和多物体识别难题，传统方法难以有效处理。
关键观点2: CPRFL的主要思想
利用CLIP的文本编码器提取类别语义，建立头部和尾部类别间的语义关联。通过类别提示实现类别特定视觉表示的解耦，采用渐进式双路径反向传播机制精炼提示，并采用非对称损失解决样本不平衡问题。
关键观点3: CPRFL的贡献
提出了新颖的提示学习方法CPRFL，有效缓解LTMLC中的头尾不平衡问题，实现了针对数据特征的量身定制解决方案。通过大量实验验证了方法的有效性，并在公开数据集上取得了显著性能提升。
文章预览
点击下方 卡片 ，关注“ CVer ”公众号 AI/CV重磅干货，第一时间送达 点击进入—> 【Mamba/多模态/扩散】交流群 添加微信号：CVer111，小助手会拉你进群！ 扫描下方二维码，加入CVer学术星球 ！ 可以获得最新顶会/顶刊上的论文idea 和 CV从入门到精通资料，及最前沿应用 ！发论文/搞科研/涨薪，强烈推荐！ 转载自：晓飞的算法工程笔记 ｜作者：Ziyu Guo 导读 本文 提出了一种新 颖的提示学习方法，称为类别提示精炼特征学习（CPRFL），用于长尾多标签图像分类（LTMLC）。这是首次利用类别语义关联来缓解LTMLC中的头尾不平衡问题，提供了一种针对数据特征量身定制的开创性解决方案。 现实世界的数据通常表现为长尾分布，常跨越多个类别。这种复杂性突显了内容理解的挑战，特别是在需要长尾多标签图像分类（ LTMLC ）的场景中。在这些情况下，不平
………………………………
