منذ 2 أشهر

-Calibration الكسورية للكشف عن الأشياء ذوات الذيل الطويل-

Alexandridis, Konstantinos Panagiotis ; Elezi, Ismail ; Deng, Jiankang ; Nguyen, Anh ; Luo, Shan

الملخص

البيانات الحقيقية تتبع توزيعًا غير متوازن، مما يشكل تحديات كبيرة في اكتشاف الأشياء ذات الفئات النادرة. تناولت الدراسات الحديثة هذه المشكلة من خلال تطوير طرق إعادة الترجيح وإعادة العينة التي تستفيد من تكرارات الفئات في مجموعة البيانات. ومع ذلك، فإن هذه التقنيات تركز فقط على الإحصائيات التكرارية وتتجاهل توزيع الفئات في فضاء الصورة، مما يؤدي إلى فقدان معلومات مهمة. بخلافها، نقترح FRActal CALibration (FRACAL): طريقة جديدة لإعادة الت head="كالبرة" للكشف عن الأشياء ذات الذيل الطويل. يبتكر FRACAL طريقة تعديل اللوجيت التي تستفيد من البعد الكسوري لتقدير مدى توزيع الفئات بشكل موحد في فضاء الصورة. أثناء الاستدلال، يستخدم البعد الكسوري لخفض وزن احتماليات التنبؤات بالفئات المتناسقة عكسياً، مما يحقق التوازن في محورين: بين الفئات المتكررة والفئات النادرة، وبين الفئات المتناسقة والفئات المتباعدة. يعتبر FRACAL طريقة ما بعد المعالجة ولا يتطلب أي تدريب، كما يمكن دمجه مع العديد من النماذج الجاهزة مثل كاشفات السيجmoid ذو المرحلة الواحدة ونماذج تقسيم النماذج ذات المرحلتين. يعزز FRACAL أداء الفئة النادرة بنسبة تصل إلى 8.6٪ ويتفوق على جميع الطرق السابقة في مجموعة بيانات LVIS، بينما يظهر قابلية جيدة للعمومية إلى مجموعات بيانات أخرى مثل COCO وV3Det وOpenImages. نوفر الرمز البرمجي على https://github.com/kostas1515/FRACAL.