범주 사이의 음성 학습
한 범주의 양성 예시는 다른 범주에는 음성 예시가 될 수 있다. 빈번 범주의 예시가 많으면 희소 범주는 억제 방향의 기울기를 상대적으로 많이 받게 된다.
희소 범주의 불리함
이런 기울기 불균형은 신경망 매개변수 갱신에서 희소 범주의 학습을 불리하게 만들 수 있다. 연구는 대규모 어휘와 긴 꼬리 자료의 객체 검출 문제를 이 관점에서 분석했다.
일부 기울기의 무시
제안 손실은 희소 범주에 대해 해당 억제 기울기를 무시하는 단순한 방식이다. 희소 객체의 판별 특징을 더 잘 학습하도록 보호하는 것이 목적이다.
검출과 분할의 평가
LVIS에서 Mask R-CNN 기준과 비교해 희소 범주와 일반 범주의 결과를 평가했다. 전체 신경망을 복잡하게 추가하기보다 손실 단계의 기울기 조절을 활용한 접근이다.
관련 문서
Seesaw Loss / DisAlign / LDAM / 유효 표본 수 기반 클래스 균형 손실 / Balanced Meta-Softmax / RIDE 긴 꼬리 인식