초록
실제 세계의 데이터 분포는 본질적으로 긴 꼬리(long-tailed) 구조를 띠며, 이는 딥 모델에게 큰 도전 과제를 안긴다. 본 연구에서는 이러한 불균형 문제를 완화하기 위해 새로운 방법론인 점진적 균형 손실과 적응형 특징 생성기(Gradual Balanced Loss and Adaptive Feature Generator, GLAG)를 제안한다. GLAG는 먼저 점진적 균형 손실(Gradual Balanced Loss)을 활용해 균형 잡히고 강건한 특징 모델을 학습한 후, 이 특징 모델을 고정하고, 잘 표현된 헤드 클래스(Head classes)의 지식을 활용하여 표현이 부족한 꼬리 클래스(Tail classes)의 특징 수준에서 데이터 증강을 수행한다. 생성된 샘플은 학습 에포크 동안 실제 학습 샘플과 혼합되어 사용된다. 점진적 균형 손실은 일반적인 손실 함수로, 다양한 분리된 학습 방법과 결합하여 기존 성능을 향상시킬 수 있다. CIFAR100-LT, ImageNetLT, iNaturalist와 같은 긴 꼬리 데이터셋에서 최신 기술 수준의 성능을 달성함으로써, GLAG가 긴 꼬리 시각 인식 문제에 효과적임을 입증하였다.