Verteilungsgerechte Verlustfunktion für die Mehrlabels-Klassifikation in langen Schwanz-Datensätzen

Wir präsentieren eine neue Verlustfunktion namens Distribution-Balanced Loss für multilabelbasierte Erkennungsaufgaben mit langen Schwanzverteilungen der Klassen. Im Vergleich zum herkömmlichen Einzelklassen-Klassifikationsproblem sind multilabelbasierte Erkennungsaufgaben oft herausfordernder aufgrund zweier wesentlicher Probleme: der gemeinsamen Auftretens von Labels und der Dominanz negativer Labels (wenn die Aufgabe als mehrere binäre Klassifikationsprobleme behandelt wird). Die Distribution-Balanced Loss adressiert diese Herausforderungen durch zwei zentrale Modifikationen der herkömmlichen binären Kreuzentropie-Verlustfunktion: 1) eine neue Methode zur Gewichtsrebalancierung, die die Auswirkungen des gemeinsamen Auftretens von Labels berücksichtigt, und 2) eine negative-tolerante Regularisierung, um die übermäßige Unterdrückung negativer Labels zu verringern. Experimente an den Datensätzen Pascal VOC und COCO zeigen, dass Modelle, die mit dieser neuen Verlustfunktion trainiert wurden, signifikante Leistungsverbesserungen gegenüber bestehenden Methoden erzielen. Der Quellcode und die Modelle sind verfügbar unter: https://github.com/wutong16/DistributionBalancedLoss.