Imagine par Raisonnement : Une Augmentation Implicite de Données Sémantiques Basée sur le Raisonnement pour la Classification à Longue Queue

Les données du monde réel suivent souvent une distribution à queue longue, ce qui entraîne une dégradation importante des performances des algorithmes de classification existants. Un problème clé réside dans le fait que les échantillons des catégories rares ne parviennent pas à capturer la diversité intra-classe. Les êtres humains peuvent imaginer un échantillon dans de nouvelles postures, scènes ou angles de vue grâce à leurs connaissances préalables, même lorsqu’ils voient pour la première fois cette catégorie. Inspirés par cette capacité, nous proposons une nouvelle méthode de renforcement de données sémantique implicite fondée sur le raisonnement, qui emprunte des directions de transformation à d’autres catégories. Étant donné que la matrice de covariance de chaque catégorie représente les directions de transformation des caractéristiques, nous pouvons échantillonner de nouvelles directions à partir de catégories similaires afin de générer des instances clairement différentes. Plus précisément, les données à distribution à queue longue sont d’abord utilisées pour entraîner un modèle principal (backbone) et un classificateur. Ensuite, une matrice de covariance est estimée pour chaque catégorie, et un graphe de connaissances est construit pour stocker les relations entre toutes les paires de catégories. Enfin, les échantillons des catégories rares sont améliorés de manière adaptative en propagant l’information provenant de toutes les catégories similaires du graphe de connaissances. Les résultats expérimentaux sur CIFAR-100-LT, ImageNet-LT et iNaturalist 2018 démontrent l’efficacité de la méthode proposée par rapport aux approches les plus avancées de l’état de l’art.