두 학습 단계의 구분
클래스 균형 방식은 손실 재가중이나 재표본화 등을 사용하지만 표현과 분류기를 함께 학습하는 경우가 많다. 연구는 두 부분을 분리해 균형 조절이 어디에 영향을 주는지 조사했다.
불균형과 표현의 품질
실험은 자료의 불균형이 반드시 좋은 표현 학습을 방해하지는 않을 수 있음을 보였다. 표현 학습의 품질과 최종 분류기의 편향은 따로 평가할 필요가 있다는 관점이다.
분류기만 다시 조정
자연스러운 인스턴스 균형 표본화로 배운 표현을 유지하고 분류기만 조정하는 구성을 사용했다. 복잡한 전체 모델 변경 없이도 긴 꼬리 인식 성능을 높일 수 있는지 비교했다.
서로 다른 긴 꼬리 자료
ImageNet-LT와 Places-LT 및 iNaturalist에서 기존 손실과 표본화 및 기억 모듈 방식들과 비교했다. 핵심은 표현과 분류에 같은 균형 전략이 필요한지 분리해서 살피는 것이다.
관련 문서
BBN / LDAM / Balanced Meta-Softmax / 긴 꼬리 학습의 로짓 조정 / 유효 표본 수 기반 클래스 균형 손실 / iNaturalist 2017 데이터셋