이때 label되는 확률이 x에 독립적이라고 가정하면(Selected Completely at Random, SCAR) 아래와 같이 쓸 수 있음
p(s=r|y=r)은 결국 전체 클래스 r에 대해서 label된 example의 비율
Dynamic Label Frequency Estimation
위의 p(s=r|y=r), 즉 label frequency에 대한 추정치를 구함.
이 식이 유도된건
결국 전체 데이터의 클래스별로 frequency 로 나눠주는거임 -.-
1) inference 전에 post-training estimation을 구하기 어렵고
2) SGDET의 경우에는 gt bbox가 없으니 valid한 example을 추정하기가 어려움.
그래서 우리는 tail class에 대해 vaild한 example을 얻기 위해 data augmentation을 할거고, label frequency는 배치별로 추정을 할 것임.
이러한 아이디어를 Dynamic Label Frequency Estimation(DLFE)라고 할 것임.
paper
TL;DR
Details
Recovering the Unbiased Scene Graph
unbiased probability
이때 label되는 확률이 x에 독립적이라고 가정하면(Selected Completely at Random, SCAR) 아래와 같이 쓸 수 있음
p(s=r|y=r)은 결국 전체 클래스 r에 대해서 label된 example의 비율
Dynamic Label Frequency Estimation
위의 p(s=r|y=r), 즉 label frequency에 대한 추정치를 구함.
이 식이 유도된건![image](https://user-images.githubusercontent.com/46675408/182981942-34a99c05-cb17-47e2-9ab4-c973fb08969c.png)
결국 전체 데이터의 클래스별로 frequency 로 나눠주는거임 -.-
1) inference 전에 post-training estimation을 구하기 어렵고 2) SGDET의 경우에는 gt bbox가 없으니 valid한 example을 추정하기가 어려움.
그래서 우리는 tail class에 대해 vaild한 example을 얻기 위해 data augmentation을 할거고, label frequency는 배치별로 추정을 할 것임. 이러한 아이디어를 Dynamic Label Frequency Estimation(DLFE)라고 할 것임.