論文の概要: Information Density Imbalance in Visual Object Detection

• arxiv url: http://arxiv.org/abs/2609.02369v1
• Date: Wed, 02 Sep 2026 09:40:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.219246
• Title: Information Density Imbalance in Visual Object Detection
• Title（参考訳）: 視覚的物体検出における情報密度の不均衡
• Abstract要約: オブジェクト検出では、通常、データセットが長い尾の分布を示すかどうかを決定するためにインスタンスの数が使用される。 この仮定は、不均衡なインスタンス番号を持つデータセットのカテゴリバイアスに関する広範な研究につながった。 本稿ではまず,情報密度の概念と測定について紹介する。
• 参考スコア（独自算出の注目度）: 28.66914369795177
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In object detection, the number of instances is typically used to determine whether a dataset exhibits a long-tailed distribution, implicitly assuming that the model will perform poorly on categories with fewer instances. This assumption has led to extensive research on category bias in datasets with imbalanced instance numbers. However, even in datasets where instance numbers are relatively balanced, models still exhibit category bias, indicating that instance count alone cannot explain this phenomenon. In this work, we first introduce the concept and measurement of information density. We then observe a significant negative correlation between a category's information density and its accuracy, and we investigate how the training process impacts this relationship. Empirical studies suggest that information density imbalance may be a potential source of category bias. To preliminarily validate the potential of information density, we made simple improvements to three advanced object detection loss functions using this concept. Experiments on the Pascal VOC, COCO-LT, and LVIS datasets demonstrate that information density can significantly reduce model bias while effectively enhancing the overall performance of existing loss functions. This study provides a new perspective for understanding the generalized bias phenomenon in object detection models and offers new tools for designing fairer loss functions and training strategies.
• Abstract（参考訳）: オブジェクト検出では、通常、データセットが長い尾の分布を示すかどうかを決定するために使用される。 この仮定は、不均衡なインスタンス番号を持つデータセットのカテゴリバイアスに関する広範な研究につながった。 しかしながら、インスタンス番号が比較的バランスの取れたデータセットであっても、モデルはまだカテゴリバイアスを示しており、インスタンス数だけではこの現象を説明できないことを示している。 本稿ではまず,情報密度の概念と測定について紹介する。 次に,カテゴリの情報密度とその精度の間に有意な負の相関関係を観測し,学習過程がこの関係にどう影響するかを検討する。 実証的研究は、情報密度の不均衡がカテゴリーバイアスの潜在的源である可能性を示唆している。 情報密度のポテンシャルを予め検証するため,この概念を用いて3つの高度な物体検出損失関数を簡易に改良した。 Pascal VOC、COCO-LT、LVISデータセットの実験は、情報密度がモデルバイアスを大幅に低減し、既存の損失関数の全体的な性能を効果的に向上することを示した。 本研究は,物体検出モデルにおける一般化バイアス現象を理解するための新しい視点を提供し,より公平な損失関数とトレーニング戦略を設計するための新しいツールを提供する。

関連論文リスト

• Pursuing Better Decision Boundaries for Long-Tailed Object Detection via Category Information Amount [6.745949254672713]
  オブジェクト検出では、通常、データセットが長いテール分布を示すかどうかを定義するためにインスタンスカウントが使用される。 この仮定は、不均衡なインスタンス数を持つデータセットのカテゴリバイアスに関する広範な研究につながった。 本稿では,情報量に基づいて各カテゴリの決定空間を動的に調整するために,IGAMロス(Information Amount-Guided Angular Margin)を提案する。
  論文  参考訳（メタデータ） (2025-02-06T08:08:18Z)
• Learning from Neighbors: Category Extrapolation for Long-Tail Learning [62.30734737735273]
  より粒度の細かいデータセットは、データの不均衡の影響を受けにくい傾向があります。 既存のクラスと視覚的に類似したオープンセット補助クラスを導入し、頭と尾の両方の表現学習を強化することを目的とした。 補助授業の圧倒的な存在がトレーニングを混乱させるのを防ぐために,近隣のサイレンシング障害を導入する。
  論文  参考訳（メタデータ） (2024-10-21T13:06:21Z)
• Common-Sense Bias Modeling for Classification Tasks [15.683471433842492]
  テキスト記述に基づく画像データセットの包括的バイアスを抽出する新しい枠組みを提案する。 提案手法は,複数の画像ベンチマークデータセットにおける新しいモデルバイアスを明らかにする。 発見されたバイアスは、機能の非相関化のために、単純なデータ再重み付けによって緩和することができる。
  論文  参考訳（メタデータ） (2024-01-24T03:56:07Z)
• Measuring and Improving Attentiveness to Partial Inputs with Counterfactuals [91.59906995214209]
  我々は,新しい評価手法であるCAT(Facterfactual Attentiveness Test)を提案する。 CATは、入力の一部を別の例から別の例に置き換えることで、予測を変更する注意深いモデルを期待することで、反事実を使用する。 実験データの精度が向上する一方, GPT3 は実演回数の増加により注意力の低下がみられた。
  論文  参考訳（メタデータ） (2023-11-16T06:27:35Z)
• Stubborn Lexical Bias in Data and Models [50.79738900885665]
  我々は、データに基づいてトレーニングされたモデルに、データのスプリアスパターンが現れるかどうかを調べるために、新しい統計手法を用いる。 トレーニングデータに*reweight*に最適化アプローチを適用し、数千のスプリアス相関を低減します。 驚くべきことに、この方法ではトレーニングデータの語彙バイアスを低減できますが、トレーニングされたモデルで対応するバイアスの強い証拠がまだ見つかっていません。
  論文  参考訳（メタデータ） (2023-06-03T20:12:27Z)
• On Counterfactual Data Augmentation Under Confounding [30.76982059341284]
  トレーニングデータのバイアスを緩和する手段として、対実データ拡張が出現している。 これらのバイアスは、データ生成プロセスにおいて観測され、観測されていない様々な共役変数によって生じる。 提案手法は,既存の最先端手法が優れた結果を得るのにどのように役立つかを示す。
  論文  参考訳（メタデータ） (2023-05-29T16:20:23Z)
• Predicting and Enhancing the Fairness of DNNs with the Curvature of Perceptual Manifolds [44.79535333220044]
  近年の研究では、テールクラスは必ずしも学習が困難ではないことが示されており、サンプルバランスのデータセットではモデルバイアスが観察されている。 本研究ではまず,モデルフェアネスを解析するための幾何学的視点を確立し,次いで,一連の幾何学的測度を体系的に提案する。
  論文  参考訳（メタデータ） (2023-03-22T04:49:23Z)
• Delving into Semantic Scale Imbalance [45.30062061215943]
  クラスの特徴的多様性を測定するために使用されるクラスの意味的スケールを定義し,定量化する。 本稿では、一般的な損失改善スキームと動的再重み付けトレーニングフレームワークを含む意味尺度バランス学習を提案する。 総合的な実験により、動的セマンティック・スケール・バランス・ラーニングにより、大規模で長い尾を持つ非長い尾を持つ自然および医学的なデータセットにおいて、モデルが優れたパフォーマンスを発揮することが示されている。
  論文  参考訳（メタデータ） (2022-12-30T09:40:09Z)
• Bias-inducing geometries: an exactly solvable data model with fairness implications [12.532003449620607]
  我々は、正確に解決可能なデータ不均衡の高次元モデルを導入する。 この合成フレームワークで訓練された学習モデルの典型的特性を解析的に解き放つ。 フェアネス評価によく用いられる観測対象の正確な予測値を得る。
  論文  参考訳（メタデータ） (2022-05-31T16:27:57Z)
• CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep Learning [55.733193075728096]
  現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。 サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。 本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
  論文  参考訳（メタデータ） (2022-02-11T13:49:51Z)
• OR-Net: Pointwise Relational Inference for Data Completion under Partial Observation [51.083573770706636]
  この作業はリレーショナル推論を使って不完全なデータを埋めます。 本稿では,2つの点での相対性理論をモデル化するために,全関係ネットワーク (or-net) を提案する。
  論文  参考訳（メタデータ） (2021-05-02T06:05:54Z)
• Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
  ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。 我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。 このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2020-04-20T02:47:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。