가중치 지도형 긴 꼬리 이미지 인식을 위한 클래스 보완 기법

실세계 데이터는 종종 길게 꼬인(long-tailed) 분포를 가지며, 클래스 수가 매우 많다. 이러한 특성은 다양한 모델의 성능 저하를 야기한다. 그 원인 중 하나는 각 학습 반복 과정에서 샘플링되지 않은 클래스들로 인해 발생하는 그래디언트 이동이다. 본 논문에서는 이 문제를 해결하기 위해 가중치 지도형 클래스 보완(Weight-Guided Class Complementing) 프레임워크를 제안한다. 구체적으로, 이 프레임워크는 동적으로 업데이트되는 데이터 슬롯을 활용하여 각 학습 반복 과정에서 샘플링되지 않은 클래스를 보완한다. 이후 클래스 보완 과정에서 발생할 수 있는 과적합 문제를 고려하여, 분류기 가중치를 학습된 지식으로 활용하고, 모델이 더 많은 클래스 특성적 특징을 탐지하도록 유도한다. 마지막으로, 분류기 가중치 내 존재하는 길게 꼬인 분포 편향을 다루기 위해 가중치 정제(weight refining) 방식을 설계하였다. 실험 결과, 제안하는 프레임워크는 기존 다양한 접근법에 효과적으로 통합 가능하며, 다양한 벤치마크에서 일관된 성능 향상을 달성하여 새로운 최고 성능(state-of-the-art)을 기록하였다.