バランスの取れた分類：長尾分布オブジェクト検出の統一フレームワーク

従来の検出器は、多数派のヘッドカテゴリへの分類バイアスにより、長尾データを処理する際に性能が低下するという問題に直面しています。本論文では、この学習バイアスが以下の2つの要因から生じると主張します：1) 前景カテゴリの分布不均衡から生じる非対称的な競争、および 2) テールカテゴリにおけるサンプルの多様性不足です。これらの課題に対処するために、我々はカテゴリ分布の不均衡による不平等を適応的に是正し、サンプルの多様性を動的に強化する統一フレームワークである「バランス分類（BAlanced CLassification, BACL）」を提案します。具体的には、新しい前景分類バランス損失（Foreground Classification Balance Loss, FCBL）を開発しました。この損失関数は、ペアワイズクラス認識マージンと自動調整重み項を導入することで、ヘッドカテゴリの支配を軽減し、識別が難しいカテゴリへの注目度を高めます。これにより、非対称的な競争の中でテールカテゴリが過度に抑制されることを防ぎます。さらに、我々は動的特徴量幻覚モジュール（Dynamic Feature Hallucination Module, FHM）を提案します。このモジュールは、幻覚サンプルを合成してデータ変異を追加することで、特徴空間におけるテールカテゴリの表現を強化します。この分割統治アプローチにおいて、BACLはデカップリングされた訓練パイプラインを使用してLVISベンチマークで新たな最先端の成果を達成し、ResNet-50-FPNを使用した通常のFaster R-CNNよりも全体で5.8% AP（平均精度）、テールカテゴリで16.1% AP向上しています。広範な実験結果から、BACLは異なるバックボーンやアーキテクチャを持つ様々なデータセットにおいて一貫して性能向上を達成することが示されています。コードとモデルは以下のURLから入手可能です：https://github.com/Tianhao-Qi/BACL