面向基于深度学习的视觉识别的样本平衡

基于摘要分析。本文研究视觉识别训练中的样本平衡，将基于自步学习（self-paced learning）的样本选择引入深度学习框架，并提出基于多视图语义编码器的样本重加权指标，以兼顾样本选择与样本质量差异。 机制上，样本选择旨在移除可能使训练陷入不良局部最优的样本，论文考察不同选择策略对深度网络训练的影响；样本重加权则试图超越仅按类别样本数量赋权的思路。作者进一步提出将样本权重嵌入深度网络损失函数的优化机制，使其能够端到端训练。摘要未给出多视图的具体定义、质量指标公式、权重更新方式及其监督依赖，这些内容尚未验证。 作者报告，在 CIFAR 和 ImageNet 数据集上的若干视觉识别任务中，所提样本平衡方法能够改善深度学习方法的表现。摘要未明确 CIFAR 版本、任务配置、数据划分、对照基线和具体指标，因此无法判断收益幅度或比较不同协议下的效果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若多视图编码器能够提供可靠的样本质量线索，该机制可能对应 EEG 中试次质量不均与类别不平衡的问题。可考虑复用损失加权与样本选择框架，但需重新定义适合 EEG 的视图及质量依据。关键风险是低信噪比或跨被试差异使困难但有效的试次被误判为低质量，小数据条件下编码器也可能产生不稳定权重。一个可检验的小实验是：在固定 EEG 任务、模型和跨被试划分下，仅用训练集估计权重，对比不加权、按类别数量加权和所提质量加权，并检查各类别及各被试的性能变化。已有 EEG 相关工作尚未检索确认，视觉识别结果不构成 BCI 有效性的证据。