Core Concepts
간단한 로짓 리타겟팅 방법을 통해 모델 성능 향상
Abstract
긴 꼬리 인식 분야에서 분류기 재학습의 중요성
Decoupled Training 패러다임의 효과적인 활용
Logits Magnitude 및 Regularized Standard Deviation의 새로운 메트릭 도입
LORT 방법의 성능 평가 및 SOTA 결과 도출
Stats
"Many" 클래스 로짓 2.58이 "Few" 클래스 로짓 1.69보다 크기 때문에 오분류 발생
LORT 방법은 "Few" 클래스 로짓 1.57이 다른 클래스보다 우수한 결과를 보임
Quotes
"Many" 클래스의 로짓과 "Few" 클래스의 로짓 간의 차이를 나타내는 로짓 크기의 직관적인 이점을 제공합니다.
LORT는 각 클래스에 대해 작은 실제 레이블 확률과 큰 부정 레이블 확률로 원래의 원핫 레이블을 분배합니다.