本文提出了一种针对实例识别的平衡学习框架 Libra R-CNN,其中包括 IoU 平衡采样、平衡特征金字塔和目标重加权,以分别减少样本级别、特征级别和目标级别的不平衡性,通过对 MS COCO、LVIS 和 Pascal VOC 等数据集的广泛实验,证明了整体平衡设计的有效性。
Aug, 2021
通过提出谐波损失,实现了分类分支和定位分支之间的协同优化,使得训练阶段的分类误差和定位误差能够同步优化,从而解决了现有目标检测器中存在的分类得分高但定位不准或者定位准确但分类得分低等预测不一致问题,在 PASCAL VOC 和 MS COCO 的基准测试中均取得了优秀的表现。
我们提出了一种名为自平衡 R-CNN (SBR-CNN) 的模型,通过解决实例分割任务中的不均衡问题,改进了目标检测和实例分割的性能,在 COCO minival 2017 数据集上达到了 45.3% 和 41.5% 的 AP。
Apr, 2024
本文介绍了一种名为 BAlanced CLassification(BACL)的统一框架,用于应对长尾数据分类偏差问题,该框架通过自适应校正类别分布中的不平等和动态增强样本多样性来解决这些问题。具体采用了前景分类平衡损失(FCBL)和动态特征幻化模块(FHM),在 LVIS 基准上取得了 5.8% AP 和 16.1% AP 的性能提升。
Aug, 2023
这篇文章针对目标检测中的前景 - 背景不平衡问题进行了广泛分析和实验研究,发现不平衡会导致检测性能显著下降,其中 Libra-RCNN 和 PISA 是最佳处理方法,而软采样方法则表现相对不稳定。
Jun, 2023
本文提出一种多阶段目标检测架构,Cascade R-CNN,通过一系列的检测器训练,逐步提高在增加交并比(IoU)阈值下对近似假阳性的选择性,从而减少过拟合问题,并在推理时提供更接近每个阶段检测器质量的假设匹配,实现在 COCO 数据集上比所有单模型目标检测器表现更好。
Dec, 2017
本文提出了 Dynamic R-CNN 以调整标签分配标准和回归损失函数的形状,这使得训练样本得到更好的利用,并使检测器适应更多的高质量样本。在 MS COCO 数据集上,我们的方法基于 ResNet-50-FPN 基线改进了 1.9% AP 和 5.5% AP$_{90}$
Apr, 2020
提出了一种用于自动驾驶目标检测的方法,通过平衡损失来缓解类别不平衡,采用梯度重塑的归纳层快速学习有限样本的新类别,通过归一化特征蒸馏来防止灾难性遗忘,并通过 FPN 和基于能量的检测提高多尺度检测稳健性和未知类别识别性能,实验证明该方法在 CODA 数据集上表现出更好的性能。
Nov, 2023
研究单阶段物体检测器的损失函数对定位准确性的影响,并提出有关 IoU 平衡的损失函数以解决该问题,在 COCO、VOC 和 Cityscapes 等公共数据集上进行了广泛实验,证明了 IoU 平衡损失可以显著提高单阶段检测器的检测准确性。
Aug, 2019
本文研究了单阶段物体检测器比两阶段物体检测器速度更快,但精度更低的原因,并提出了一种名为 Focal Loss 的做法,以解决稠密检测器训练中遇到的前景背景类别不平衡问题,该方法能够提高准确性。在该方法的基础上设计了一种名为 RetinaNet 的密集型检测器,取得了超过现有首屈一指的两阶段检测器的精度。
Aug, 2017