인문학
사회과학
자연과학
공학
의약학
농수해양학
예술체육학
복합학
DBpia AI
AI 에이전트
AI 아이디어
AI 리더
AI 뷰어
Citeasy
크롬 서지관리 다운로드
개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
피인용 0
초록·키워드
In this paper, we propose a dynamic fusion method that combines varifocal loss (VFL) and seesaw loss (SSL) to address the class imbalance problem in long-tail datasets for object detection models. The static combination of two loss functions makes the training unstable due to the noisy gradients of the SSL, which interrupt the IoU-aware classification flow and limit overall performance. To address this problem, we aim to effectively mitigate the biased learning problem in long-tailed datasets by maintaining the stability of IoU-aware classification during the early learning stages and gradually reflecting the calibration effect of the SSL in the latter stages of training. Finally, we validate unbiased detecting performance of the object detection on the LVIS dataset. To this end, we applied the proposed loss fusion method to the RT-DETRv2 model, resulting in 35.4% of bias mitigation for rare classes.
본문·목차
인공지능 문자 인식 모델을 통해 추출된 텍스트로, 일부 오타나 오류가 포함될 수 있으나 지속적으로 개선 중입니다.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
오류를 발견하셨다면 해당 부분을 드래그한 후 ' 를 통해 신고해주세요.
최근 본 자료 전체보기
