Disentangling Label Distribution for Long-tailed Visual Recognition

본 논문은 "Disentangling Label Distribution for Long-tailed Visual Recognition (CVPR 2021)"이라는 제목의 연구를 소개합니다. 실제 이미지 분류 작업에서는 학습 데이터가 불균형하고, 학습 시점과 배포 시점의 레이블 분포가 다른 두 가지 주요 문제에 직면합니다.

기존의 교차 엔트로피 손실 함수는 이러한 문제를 해결하는 데 한계가 있습니다. 본 논문에서는 이러한 문제를 해결하기 위해 LADE(Label Distribution Disentangling) 손실 함수를 제안합니다.

LADE 손실 함수는 학습 시 레이블 분포를 분리하여 불균형한 데이터셋에서도 모델의 성능을 향상시키는 것을 목표로 합니다. 베이즈 정리를 활용하여 입력 이미지와 출력 레이블 간의 관계를 분석하고, 이를 통해 보다 강건한 분류 모델을 구축하는 방법을 탐구합니다.