CUE：概念感知多标签扩展，以减轻长尾学习中的概念混乱

长尾分布在现实世界的识别任务中很常见，其中一些头类有很多样本，而大多数尾类只有很少的样本。最近，用于长尾学习的微调基础模型因其优异的性能而受到关注。然而，大多数现有方法仅专注于减轻长尾分布偏差，而忽略了长尾分布引起的概念混淆。在本文中，我们研究了这个问题，并将其归因于长尾分布下单标签监督的互斥性，它抑制了相关类之间的特征共享并放大了头类的主导地位，导致类间可辨别性被破坏。为了解决这个问题，我们提出了 CUE（概念感知多标签扩展），它引入了多标签概念信号来保留中断的类间关系。具体来说，CUE 通过（i）从零镜头 CLIP 中提取实例级视觉线索和（ii）使用 LLM 生成类级语义线索来构建概念集；这两个线索通过单独加权的二进制 logits-调整 (BLA) 辅助损失合并，并与基线 logits-调整 (LA) 损失联合优化。在多个长尾基准测试上进行的实验，CUE 实现了平衡且强大的性能，超越了最近最先进的方法。代码位于：https://github.com/zhangruichi/CUE。