균형 조절의 서로 다른 영향
재가중과 재표본화는 분류기 학습을 도울 수 있지만 특징의 표현력을 일부 손상할 수 있다. 원 연구는 같은 균형 조절이 두 부분에 미치는 영향이 다르다는 관찰에서 출발했다.
두 갈래의 역할
하나의 통합 신경망 안에서 각 갈래가 자신의 역할을 수행하도록 구성한다. 표현 학습과 분류기 학습을 동시에 고려하는 양갈래 구조다.
누적 학습 일정
먼저 보편적인 패턴을 학습하고 이후 꼬리 부분의 희소 자료에 점차 집중하는 전략을 사용한다. 학습이 진행됨에 따라 관심을 조절해 두 역할의 균형을 다루려 한다.
희소 종을 포함한 평가
대규모 iNaturalist를 포함한 네 벤치마크에서 평가했다. 초기 분석과 두 갈래 구조 및 누적 학습 설계의 효과를 별도 검증 실험으로 살폈다.
관련 문서
긴 꼬리 인식의 표현과 분류기 분리 / LDAM / Balanced Meta-Softmax / 유효 표본 수 기반 클래스 균형 손실 / iNaturalist 2017 데이터셋 / 긴 꼬리 학습의 로짓 조정