VL-LTR : Apprentissage de représentations visuelles-linguistiques par classe pour la reconnaissance visuelle à longue queue

Les modèles fondés sur l’apprentissage profond rencontrent des difficultés lors du traitement de données à distribution longue (long-tailed) dans le monde réel. Les solutions existantes s’appuient généralement sur des stratégies d’équilibrage ou sur le transfert d’apprentissage pour atténuer le problème d’imbalanced class, principalement dans le cadre de la modalité visuelle. Dans ce travail, nous proposons un cadre de reconnaissance à longue queue visuel-linguistique, appelé VL-LTR, et menons des études empiriques sur les bénéfices apportés par l’introduction de la modalité textuelle pour la reconnaissance à longue queue (LTR). Par rapport aux approches existantes, le VL-LTR proposé présente les avantages suivants : (1) notre méthode permet non seulement d’apprendre une représentation visuelle à partir d’images, mais aussi d’extraire une représentation linguistique correspondante à partir de descriptions textuelles de classe bruyantes, collectées sur Internet ; (2) elle exploite efficacement la représentation visuo-linguistique apprise afin d’améliorer les performances de reconnaissance visuelle, en particulier pour les classes peu représentées par des échantillons d’images. Nous avons également mené des expérimentations étendues et établi de nouveaux états de l’art sur des benchmarks largement utilisés pour la LTR. Notamment, notre méthode atteint une précision globale de 77,2 % sur ImageNet-LT, surpassant significativement la meilleure méthode précédente de plus de 17 points, et se rapprochant de la performance atteinte par l’entraînement sur l’intégralité d’ImageNet. Le code est disponible à l’adresse suivante : https://github.com/ChangyaoTian/VL-LTR.