Segmentation d'instances à queue longue utilisant une perte optimisée par Gumbel

De récents progrès importants ont été réalisés dans le domaine de la détection et du découpage d'objets. Toutefois, lorsqu'il s'agit des catégories rares, les méthodes les plus avancées échouent à les détecter, entraînant un écart significatif de performance entre les catégories rares et fréquentes. Dans cet article, nous identifions que les fonctions Sigmoid ou Softmax utilisées dans les détecteurs profonds constituent une cause majeure de faible performance et sont sous-optimales pour la détection et le découpage à distribution longue-tailée. Pour remédier à ce problème, nous proposons une perte optimisée par Gumbel (GOL), spécifiquement conçue pour la détection et le découpage à distribution longue-tailée. Cette approche s'aligne sur la distribution de Gumbel des classes rares présentes dans les jeux de données déséquilibrés, en tenant compte du fait que la plupart des classes dans la détection à distribution longue-tailée présentent une probabilité attendue faible. La GOL proposée surpasse significativement la meilleure méthode actuellement disponible, avec une amélioration de 1,1 % en AP, tout en augmentant de 9,0 % la performance globale du découpage et de 8,0 % celle de la détection, en particulier en améliorant de 20,3 % la détection des classes rares par rapport à Mask-RCNN sur le jeu de données LVIS. Le code est disponible à l'adresse suivante : https://github.com/kostas1515/GOL