Classification à queue longue avec perte équilibrée progressive et génération adaptative de caractéristiques

La distribution des données réelles est fondamentalement à queue longue, ce qui pose un défi considérable aux modèles profonds. Dans ce travail, nous proposons une nouvelle méthode, appelée Gradual Balanced Loss and Adaptive Feature Generator (GLAG), afin de réduire cette inégalité. GLAG apprend d’abord un modèle de caractéristiques équilibré et robuste grâce à la perte progressive équilibrée (Gradual Balanced Loss), puis fixe ce modèle de caractéristiques et enrichit les classes sous-représentées (classes en queue) au niveau des caractéristiques en s’appuyant sur les connaissances des classes bien représentées (classes en tête). Les échantillons générés sont ensuite mélangés aux échantillons réels durant les phases d’entraînement. La perte progressive équilibrée est une perte générale pouvant s’associer à différentes méthodes d’entraînement découplées afin d’améliorer les performances initiales. Des résultats de pointe ont été obtenus sur des jeux de données à queue longue tels que CIFAR100-LT, ImageNetLT et iNaturalist, démontrant ainsi l’efficacité de GLAG pour la reconnaissance visuelle à queue longue.