다수는 소수를 도울 수 있다: 긴 꼬리 분류를 위한 맥락 풍부한 소수 과표본화

클래스 불균형 데이터 문제는 소수 클래스의 데이터 부족으로 인해 분류기의 일반화 성능이 저하되는 현상이다. 본 논문에서는 주류 클래스의 풍부한 맥락을 배경 이미지로 활용하여 다양한 소수 클래스 샘플을 증강하는 새로운 소수 과잉 샘플링 방법을 제안한다. 소수 클래스 샘플의 다양성을 높이기 위해 핵심 아이디어는 주류 클래스에서 추출한 풍부한 맥락을 가진 이미지(배경 이미지) 위에 소수 클래스의 이미지를 합성하는 것이다. 제안하는 방법은 간단하며, 기존의 긴 꼬리 인식 방법들과 쉽게 결합할 수 있다. 광범위한 실험과 아블레이션 연구를 통해 제안된 과잉 샘플링 방법의 효과를 실험적으로 입증하였다. 아키텍처의 변경이나 복잡한 알고리즘 없이도 다양한 긴 꼬리 분류 벤치마크에서 최신 기술 수준의 성능을 달성하였다. 본 연구의 코드는 https://github.com/naver-ai/cmo 에서 공개된다.