التحليل المفصلي للInstances ذات التوزيع الطويل باستخدام خسارة محسّنة باستخدام Gumbel

تم إحراز تقدم كبير مؤخرًا في مجال الكشف عن الكائنات والتقسيم. ومع ذلك، تفشل الطرق المتطورة حاليًا في كشف الفئات النادرة، مما يؤدي إلى فجوة كبيرة في الأداء بين الفئات النادرة والمتكررة. في هذه الورقة، نحدد أن دوال Sigmoid أو Softmax المستخدمة في كاشفات العمق هي السبب الرئيسي في الأداء المنخفض، وهي غير مثالية للكشف والتقسيم ذو التوزيع الطويل الذيل (long-tailed). ولحل هذه المشكلة، نطور خوارزمية خسارة محسّنة باستخدام Gumbel (GOL) للكشف والتقسيم ذو التوزيع الطويل الذيل. تعتمد هذه الخسارة على توزيع Gumbel للفئات النادرة في مجموعات البيانات غير المتوازنة، مع مراعاة حقيقة أن معظم الفئات في الكشف ذي التوزيع الطويل الذيل تمتلك احتمالًا متوقعًا منخفضًا. أظهرت النتائج أن GOL تتفوق بشكل كبير على أفضل طريقة حالية بـ 1.1% في مقياس AP، وتحسّن الأداء العام للتقسيم بنسبة 9.0% والكشف بنسبة 8.0%، مع تحسين ملحوظ في كشف الفئات النادرة بنسبة 20.3% مقارنة بـ Mask-RCNN على مجموعة بيانات LVIS. يمكن الاطلاع على الكود عبر: https://github.com/kostas1515/GOL