HMLoss: Une fonction de coût robuste au déséquilibre des classes

This work adresses the class imbalances issue in deep learning. We introduce a new cost function called ’Hard Mining Loss’(HMLoss) allowing to reduce simultaneously the contribution of both easy examples and outliers while increasing the contribution of hardexamples during learning, thus allowing the model to focus on informative samples. HMLoss outperforms common methods for solving thisproblem in image classification applications. Datasets, code and models are publicly available at https://github.com/cartelgouabou/HMLoss.
Ce travail propose une résolution de la problématique du biais induit durant l'apprentissage des modèles neuronaux sur des bases déséquilibrées. Pour cela, nous introduisons une nouvelle fonction de coût dénommée 'Hard Mining Loss' (HMLoss) permettant de réduire simultanément la contribution des exemples faciles et aberrants durant l'apprentissage tout en augmentant la contribution des exemples difficiles, permettant ainsi au modèle de se focaliser sur les échantillons discriminants. La fonction HMLoss surclasse les méthodes courantes pour résoudre ce problème dans des applications de classification d'images. Les bases de données, codes et architectures utilisés sont disponibles à l'adresse: https://github.com/cartelgouabou/HMLoss.