Die Mehrheit kann der Minderheit helfen: kontextreiches Oversampling für Minderheiten bei der Long-tailed-Klassifikation

Das Problem unbalancierter Klassen in Datensätzen besteht darin, dass die Verallgemeinerungsfähigkeit des Klassifizierers aufgrund des Mangelns an Daten aus den Minderheitsklassen abnimmt. In diesem Artikel stellen wir eine neuartige Methode zur Überprobenahme von Minderheitsklassen vor, die vielfältige Minderheitsproben durch Ausnutzung des reichen Kontexts der Mehrheitsklassen als Hintergrundbilder ergänzt. Um die Vielfalt der Minderheitsproben zu erhöhen, liegt unser zentrales Konzept darin, ein Bild aus einer Minderheitsklasse auf Bilder mit reichem Kontext aus einer Mehrheitsklasse aufzupassen, die als Hintergrundbilder dienen. Unser Ansatz ist einfach und lässt sich problemlos mit bestehenden Methoden zur Langschwanz-Klassifikation kombinieren. Durch umfangreiche Experimente und Ablationsstudien belegen wir empirisch die Wirksamkeit der vorgeschlagenen Überprobenahmemethode. Ohne jegliche Architekturänderungen oder komplexe Algorithmen erreicht unsere Methode state-of-the-art-Leistung auf verschiedenen Langschwanz-Klassifikationsbenchmarks. Der Quellcode ist unter https://github.com/naver-ai/cmo verfügbar.