Apprentissage de classificateurs par prototypes pour la reconnaissance à distribution longue-queue

Le problème de la reconnaissance à queue longue (LTR, long-tailed recognition) a suscité un intérêt croissant ces dernières années en raison de la distribution suivant une loi de puissance fondamentale des objets dans le monde réel. La plupart des travaux récents sur la LTR utilisent des classificateurs softmax qui présentent un biais, car ils établissent une corrélation entre la norme du classificateur et la quantité de données d'apprentissage disponible pour une classe donnée. Dans ce travail, nous montrons que l'apprentissage de classificateurs par prototypes permet de résoudre ce biais inhérent au softmax. Les classificateurs par prototypes peuvent obtenir des résultats prometteurs en utilisant simplement le critère du plus proche voisin de la moyenne de classe (NCM, Nearest-Class-Mean), un cas particulier où les prototypes sont les centres empiriques. Nous allons plus loin en proposant d’apprendre conjointement les prototypes en utilisant les distances aux prototypes dans l’espace de représentation comme scores logit pour la classification. Par ailleurs, nous analysons théoriquement les propriétés des classificateurs par prototypes basés sur la distance euclidienne, qui conduisent à une optimisation par gradient stable et robuste aux valeurs aberrantes. Pour permettre des échelles de distance indépendantes selon chaque canal, nous améliorons les classificateurs par prototypes en apprenant des paramètres de température dépendants du canal. Notre analyse montre que les prototypes appris par les classificateurs par prototypes sont mieux séparés que les centres empiriques. Les résultats obtenus sur quatre benchmarks de LTR démontrent que le classificateur par prototypes surpasse ou est comparable aux méthodes de pointe. Le code source est disponible à l’adresse suivante : https://github.com/saurabhsharma1993/prototype-classifier-ltr.