
Introduction이 논문은 long-tailed distribution(긴 꼬리 분포)을 갖는 데이터셋에서 deep neural network가 성능 저하를 겪는 문제에 주목합니다. 특히, 클래스 불균형 상황에서 흔히 사용되는 inverse class frequency re-weighting의 한계를 지적하며, 새로운 손실 함수인 Class-Balanced Loss를 제안합니다.핵심 아이디어는 “많은 데이터가 더 낫다”는 직관에 기반하되, 데이터가 서로 중복되거나 유사할 수 있다는 점을 고려해, 실제로 모델 학습에 기여하는 Effective Number of Samples(유효 샘플 수)를 정의하고, 이에 기반하여 손실 함수를 조정합니다.관련 연구 (Related Work)불균형 데이터에 대한 기존..
🖥️ Computer Vision/📰 Paper
2025. 6. 23. 10:46
공지사항
최근에 올라온 글
최근에 달린 댓글
- Total
- Today
- Yesterday
링크
TAG
- dataaugmentation
- computervisionresearch
- logitadjustment
- 딥러닝불균형데이터
- 경량화 모델
- pairwisemargin
- machinelearningtheory
- separable
- classimbalance
- convolution
- MobileNet
- Example
- imbalanceddata
- code
- longtaildistribution
- focalloss
- machinelearningtips
- deeplearningtheory
- longtaillearning
- effectivenumberofsamples
- depthwise
- DeepLearning
- deeplearningbasics
- Focal loss
- 이론적안정성
- fisherconsistency
- classificationloss
- bayesclassifier
- LossFunction
- tensorflow
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | 5 | ||
6 | 7 | 8 | 9 | 10 | 11 | 12 |
13 | 14 | 15 | 16 | 17 | 18 | 19 |
20 | 21 | 22 | 23 | 24 | 25 | 26 |
27 | 28 | 29 | 30 | 31 |
글 보관함