Vers un modèle calibré pour la reconnaissance visuelle à longue queue depuis une perspective a priori

Les données du monde réel sont universellement confrontées à un problème sévère d’iméquilibre de classes et présentent une distribution en queue longue, c’est-à-dire que la majorité des étiquettes sont associées à un nombre limité d’exemples. Les modèles naïfs entraînés sur de telles données ont tendance à privilégier les classes dominantes, rencontrent des difficultés importantes en généralisation et se révèlent mal calibrés. Nous proposons deux nouvelles méthodes issues d’une perspective a priori afin de surmonter ce dilemme. Premièrement, nous déduisons une augmentation de données orientée vers l’équilibre, nommée Uniform Mixup (UniMix), qui favorise la technique de mixup dans les scénarios à distribution en queue longue en utilisant un facteur de mélange avancé et un échantillonneur propices aux classes minoritaires. Deuxièmement, inspirés par la théorie bayésienne, nous identifions un biais bayésien (Bayias), un biais intrinsèque causé par l’incohérence des a priori, et proposons de le compenser en modifiant la fonction de perte classique d’entropie croisée. Nous démontrons théoriquement et empiriquement que les deux méthodes proposées garantissent un bon calibrage de la classification. Des expériences étendues montrent que nos stratégies permettent d’obtenir un modèle mieux calibré, et que leur combinaison atteint des performances de pointe sur CIFAR-LT, ImageNet-LT et iNaturalist 2018.