초록
딥 신경망은 훈련 데이터셋이 심각하게 클래스 불균형을 보일 경우 성능이 저하될 수 있다. 최근 두 단계 기반의 방법들이 표현 학습과 분류기 학습을 분리함으로써 성능을 향상시키는 데 주목받고 있다. 그러나 여전히 중요한 문제인 캘리브레이션 오차가 존재한다. 이를 해결하기 위해 본 연구에서는 이러한 상황에서 캘리브레이션과 성능을 동시에 개선하는 두 가지 방법을 제안한다. 각 클래스의 예측 확률 분포가 해당 클래스의 인스턴스 수와 밀접하게 관련되어 있다는 사실에 착안하여, 클래스별 과도한 자신감(over-confidence)의 정도에 따라 적응적으로 조정하는 라벨 인지(smoothing) 기법을 제안함으로써 분류기 학습을 개선한다. 또한, 두 단계 간 샘플러의 차이로 인한 데이터셋 편향 문제를 해결하기 위해, 분리 기반 프레임워크 내에서 시프트된 배치 정규화(shifted batch normalization)를 추가로 제안한다. 제안된 방법들은 CIFAR-10-LT, CIFAR-100-LT, ImageNet-LT, Places-LT, iNaturalist 2018 등 여러 주요 장꼬리(long-tailed) 인식 기준 데이터셋에서 새로운 기록을 수립하였다. 코드는 https://github.com/Jia-Research-Lab/MiSLAS 에 공개될 예정이다.