要約
現実世界のデータは、クラスごとのサンプル数が不均等となる長尾分布を示すことが多く、学習クラス間でサンプル数に大きな差が生じる。このような不均衡なデータは、特徴空間にバイアスをもたらし、識別モデルの性能を低下させる。本論文では、潜在的特徴空間をバランスさせる新たな長尾認識手法を提案する。まず、長尾データのバイアスを低減するため、MixUpに基づくデータ拡張技術を導入する。さらに、混合画像を対象とした新しい教師付き対比学習手法、すなわち「混合クラスにおける教師付き対比学習（Supervised contrastive learning on Mixed Classes, SMC）」を提案する。SMCは、元の画像のクラスラベルに基づいてポジティブサンプルの集合を構築する。これらのポジティブサンプルの重みは、訓練損失における組み合わせ比率によって調整される。クラス混合に基づく損失関数を用いるSMCは、より多様なデータ空間を探索可能となり、モデルの汎化能力を向上させる。さまざまなベンチマークにおける広範な実験により、本手法の単一段階学習アプローチの有効性が確認された。