#Paper Reading# Class-Balanced Loss Based on Effective Number of Samples

論文題目: Class-Balanced Loss Based on Effective Number of Samples
論文地址: http://openaccess.thecvf.com/content_CVPR_2019/html/Cui_Class-Balanced_Loss_Based_on_Effective_Number_of_Samples_CVPR_2019_paper.html
論文發表於: CVPR 2019（CCF A類會議）

論文大體內容：
本文主要提出了一種Loss，用於解決樣本類別不均衡的數據集；

1. 常用的數據集或者常用的數據中，往往會出現某些類別數據量特別大，而某些類別數據量特別少的情況，在這種情況下如果對所有樣本都同樣看待，則會導致模型學習偏向數據量多的類別，而數據量少的類別學習得不好；

2. 本文作者提出一個“有效樣本數”的概念，因爲新來一個樣本，有一定的概率會與已有的樣本overlap，經過計算，可以得到下面的公式；

3. 從而可以得到相應的Loss function；

4. 應用到Focal Loss[1]上，可以得到下面的Loss function；

實驗
5. Dataset
Long-Tailed CIFAR；
iNaturalist；
ImageNet；

6. 實驗效果如下；

參考資料： 
[1] https://blog.csdn.net/John159151/article/details/101307361
[2] https://github.com/richardaecn/class-balanced-loss
[3] https://www.toutiao.com/a6764709766112477699

以上均爲個人見解，因本人水平有限，如發現有所錯漏，敬請指出，謝謝！