フラクタル校正による長尾物体検出

実世界のデータセットは不均衡な分布に従っており、これは稀少カテゴリオブジェクト検出において大きな課題となっています。最近の研究では、この問題に対処するために、データセットのクラス頻度を活用した再重み付けや再サンプリング手法が開発されています。しかし、これらの技術は頻度統計にのみ焦点を当て、画像空間におけるクラスの分布を無視しているため、重要な情報を失っています。それらとは対照的に、我々は新しい後処理手法である「FRActal CALibration（FRACAL）」を提案します。FRACALは、フラクタル次元を使用して画像空間におけるクラス分布の均一性を推定するロジット調整手法を開発しています。推論時には、フラクタル次元を利用して均一に配置されたクラス予測の確率を逆に低減することで、頻繁に出現するカテゴリと稀少カテゴリの間だけでなく、均一に配置されたクラスと疎に配置されたクラスの間でもバランスを取ります。FRACALは後処理手法であり、訓練を必要とせず、1段階シグモイド検出器や2段階インスタンスセグメンテーションモデルなど多くの既存モデルと組み合わせることができます。FRACALはLVISデータセットで最大8.6%の稀少クラス性能向上を達成し、以前のすべての手法を超えるとともに、COCOやV3Det、OpenImagesなどの他のデータセットにも良好な汎化性能を示しています。コードは https://github.com/kostas1515/FRACAL で提供しています。翻訳ポイント不均衡な分布：「imbalanced distribution」は「不均衡な分布」と訳しました。稀少カテゴリオブジェクト検出：「rare-category object detection」は「稀少カテゴリオブジェクト検出」と訳しました。再重み付け / 再サンプリング：「re-weighting」および「re-sampling」はそれぞれ「再重み付け」と「再サンプリング」と訳しました。フラクタル次元：「fractal dimension」は一般的に「フラクタル次元」と訳されます。ロジット調整手法：「logit adjustment method」は専門的な表現として「ロジット調整手法」と訳しました。逆に低減する：「inversely downweight」は直訳するとわかりにくいので、「逆に低減する」と訳しました。既存モデル：「off-the-shelf models」は一般的には「既存モデル」と訳します。汎化性能：「generalisation」は学術的な文脈でよく使われる言葉なので、「汎化性能」と訳しました。以上の翻訳により、原文の内容と意図が正確かつ自然に日本語で表現されていることを確認しています。