Calibration fractale pour la détection d'objets à queue longue

Les jeux de données du monde réel suivent une distribution déséquilibrée, ce qui pose des défis considérables pour la détection d'objets appartenant à des catégories rares. Les études récentes abordent ce problème en développant des méthodes de re-pondération et de re-échantillonnage qui utilisent les fréquences de classe du jeu de données. Cependant, ces techniques se concentrent uniquement sur les statistiques de fréquence et ignorent la distribution des classes dans l'espace des images, manquant ainsi d'informations importantes. En opposition avec ces approches, nous proposons FRActal CALibration (FRACAL) : une nouvelle méthode de calibration postérieure pour la détection d'objets à queue longue. FRACAL conçoit une méthode d'ajustement des logits qui utilise la dimension fractale pour estimer l'uniformité de la distribution des classes dans l'espace des images. Lors de l'inférence, elle utilise la dimension fractale pour réduire inversement les probabilités des prédictions de classe uniformément espacées, équilibrant ainsi deux axes : entre les catégories fréquentes et rares, et entre les classes uniformément espacées et peu densément distribuées. FRACAL est une méthode de post-traitement qui ne nécessite aucune formation et peut être combinée à de nombreux modèles prêts à l'emploi tels que les détecteurs sigmoïdes mono-étape et les modèles de segmentation d'instances bi-étapes. FRACAL améliore les performances des classes rares jusqu'à 8,6 % et surpasse toutes les méthodes précédentes sur le jeu de données LVIS, tout en montrant une bonne généralisation à d'autres jeux de données tels que COCO, V3Det et OpenImages. Nous mettons le code à disposition sur https://github.com/kostas1515/FRACAL.