深度学习是机器学习的一个分支,通过分层学习获取数据的内在规律和表示层次。目前深度学习被广泛应用在计算机视觉、自然语言处理、语音识别、量子化学以及医学等领域,尤其在图像识别中表现出了出色的性能,这离不开大规模、高质量的数据集以及GPU性能的提升。在传统的图像识别任务中,训练数据的类分布往往受到人工的影响,即不同类别的样本数量基本一致。然而真实应用场景中的数据集通常表现出长尾分布,这给图像识别任务带来了巨大挑战——通过长尾数据集训练的深度模型在尾部类别上性能较差。如何利用长尾数据集训练得到在各个类别上表现优异的分类模型,已经成为计算机视觉与深度学习领域的研究热点之一。本文研究基于深度学习的长尾图像分类的改进方法,主要工作有如下几个方面:1.本文设计了一个用于长尾图像分类的卷积神经网络损失函数。图像分类神经网络中最常用的损失函数为交叉熵损失,虽然这一损失函数在平衡数据集上表现优异,但是在长尾数据集上,这一损失函数导致模型性能偏向头部类别,而尾部类别表现极差。为了解决这一问题,本文提出了一个新的卷积神经网络损失函数。这一损失函数在训练过程中不仅能提高特征提取网络的表示能力,还能平衡分类器在各个类别上的表现。具体来讲,该损失函数不但使模型学习到各类别图像的代表性特征,即同类之间的特征接近且不同类之间的特征远离,而且使模型给予尾部类别更多的关注。2.本文采用了一个用于长尾图像分类的卷积神经网络的事后调整策略。目前大多数长尾识别工作中用到的数据集是具有长尾分布的训练集和满足均匀分布的验证集、测试集。现有的重采样和重加权策略虽然在一定程度上改进了模型性能,但是并未解决长尾学习的训练阶段与测试阶段目标之间的矛盾。为了解决这一问题,我们根据最优传输的思想与方法,在测试阶段对网络的预测结果进行标签重分配,使预测的标签分布接近均匀分布。最后,本文在四个长尾数据集上评估了本文提出的方法,评估结果表明本文方法比大多数的长尾分类方法有效。