التعلم المراقب التناصلي على صور مختلطة للتعرف على التوزيعات الطويلة الذيل

تتميز البيانات الواقعية غالبًا بتوزيع ذي ذيل طويل، حيث لا تكون أعداد العينات لكل فئة متساوية ضمن الفئات التدريبية. يؤدي توزيع البيانات غير المتوازن إلى تكوين فضاء ميزات متحيز، مما يُضعف أداء نموذج التعرف. في هذه الورقة، نقترح طريقة جديدة للتعرف على التوزيع ذي الذيل الطويل لموازنة فضاء الميزات الخفية. أولاً، نُقدّم تقنية تكبير بيانات تعتمد على MixUp لتقليل التحيّز الناتج عن البيانات ذات الذيل الطويل. علاوةً على ذلك، نقترح طريقة جديدة للتعلم المتناهي المراقب، تُسمى التعلم المتناهي المراقب على الفئات المختلطة (SMC)، للصور المدمجة. تُنشئ SMC مجموعة من العينات الإيجابية بناءً على تسميات الفئات للصور الأصلية. ويُستخدم نسبة التجميع الخاصة بالعينات الإيجابية لوزن هذه العينات في دالة الخسارة التدريبية. وباستخدام دالة خسارة تعتمد على المزج بين الفئات، تستكشف SMC فضاء بيانات أكثر تنوعًا، مما يعزز قدرة النموذج على التعميم. أظهرت تجارب واسعة على عدة معايير فعالية طريقة التدريب ذات المرحلة الواحدة التي نقترحها.