균형 잡힌 분류: 긴 꼬리 객체 검출을 위한 통합 프레임워크

전통적인 검출기들은 다수의 주요 카테고리에 대한 분류 편향으로 인해 긴 꼬리 데이터(long-tailed data)를 처리할 때 성능이 저하되는 문제를 겪습니다. 본 논문에서는 이러한 학습 편향이 두 가지 요인에서 비롯된다고 주장합니다: 1) 전경 카테고리들의 불균형한 분포로 인한 불평등한 경쟁, 그리고 2) 꼬리 카테고리들의 샘플 다양성 부족입니다. 이러한 문제들을 해결하기 위해, 우리는 범주 분포의 차이로 인한 불평등을 적응적으로 수정하고, 샘플 다양성을 동적으로 강화하는 통합 프레임워크인 균형 잡힌 분류(Balanced Classification, BACL)를 제안합니다.특히, 새로운 전경 분류 균형 손실(Foreground Classification Balance Loss, FCBL)을 개발하여 주요 카테고리들의 지배를 완화하고 구분하기 어려운 카테고리들에 주목하도록 하였습니다. 이 손실은 각각 쌍별 클래스 인식 마진(pairwise class-aware margins)과 자동 조정 가중치(auto-adjusted weight terms)를 도입함으로써, 불평등한 경쟁 상황에서 꼬리 카테고리들의 과도한 억제를 방지합니다. 또한, 우리는 동적 특징 환상 모듈(Dynamic Feature Hallucination Module, FHM)을 제안하여 환상 샘플(hallucinated samples)을 생성하여 추가적인 데이터 변동성을 도입함으로써 꼬리 카테고리들의 특징 공간 표현을 강화합니다.본 논문의 분할 및 정복 접근법은 BACL이 LVIS 벤치마크에서 기존 훈련 파이프라인과는 다른 방식으로 새로운 최신 기술(state-of-the-art) 수준의 성능을 달성하며, ResNet-50-FPN을 사용한 일반적인 Faster R-CNN보다 전체 카테고리와 꼬리 카테고리를 각각 5.8% AP와 16.1% AP로 뛰어넘습니다. 다양한 데이터셋과 백본(백본), 아키텍처에서 수행된 대규모 실험 결과는 BACL이 일관되게 성능 향상을 이...',' đạt được cho thấy BACL의 효과성을 입증합니다. 코드와 모델은 https://github.com/Tianhao-Qi/BACL에서 제공됩니다.위 번역은 원문의 내용을 정확하게 반영하면서 한국어 학술 또는 기술 뉴스 작성 스타일에 맞게 자연스럽게 표현하였습니다. 전문 용어는 일반적으로 사용되는 번역 용어를 사용하였으며, 필요한 경우 원문 용어를 괄호 안에 표시하였습니다.