희소 범주의 과도한 억제
많은 빈번 클래스 예시는 희소 클래스의 음성 예시로 작동한다. 압도적인 음성 기울기는 희소 객체를 배경이나 빈번 클래스로 잘못 분류하게 만들 수 있다.
누적 빈도에 따른 완화
완화 계수는 클래스 사이의 누적 학습 인스턴스 비율에 따라 희소 클래스에 대한 벌점을 줄인다. 자료 불균형을 학습 과정의 기울기 조절에 반영하는 구성이다.
오분류에 대한 보상
보상 계수는 잘못 분류된 인스턴스의 벌점을 높여 희소 클래스의 거짓 양성을 줄이려 한다. 억제만 줄이는 과정에서 생길 수 있는 오탐지 문제를 함께 다룬다.
여러 표본화 방식의 평가
일반적인 인스턴스 분할 프레임워크와 서로 다른 자료 표본화 전략에서 평가했다. LVIS에서 교차 엔트로피 손실과 비교해 두 계수의 결합 효과를 분석했다.
관련 문서
Equalization Loss / DisAlign / LDAM / Balanced Meta-Softmax / BBN / RIDE 긴 꼬리 인식