Nov, 2019

大词汇实例分割的均衡损失

HTML
PDF
TL;DR本文提出了一种基于等值损失的方法来解决LVIS数据集中大量罕见目标的问题，并利用检测数据集中类似目标的数据来缓解训练过程中丢失注释数据的影响，相对于基准模型Mask R-CNN，我们的方法在LVIS基准测试集上取得了5.1%的整体AP提升和11.4%的罕见目标AP提升，最终在LVIS Challenge 2019中取得了第一名的成绩。
发现论文，激发创造
  • LVIS：用于大规模词汇实例分割的数据集

    介绍了一个新数据集LVIS，包括超过1000个对象类别和约164k幅图像，用于解决目标检测中的少训练样本问题。

    Aug, 2019

  • 长尾目标识别的均衡损失

    本文提出了等化损失函数来解决卷积神经网络在大词汇和长尾数据集上的目标检测问题，通过简单的忽略稀有类别的梯度，保护稀有类别的学习不受到劣势影响，从而使得模型能够更好地学习稀有类别的物体的判别特征。通过实验证明，该方法在LVIS基准测试上，相对于Mask R-CNN基线，较为高效且能取得更好的检测效果。

    Mar, 2020

  • 分类中的魔鬼：一种针对长尾物体检测和实例分割的简单框架

    本文旨在研究并解决现有的目标检测和分割模型在长尾数据集上的失效问题，通过对现有的两阶段实例分割模型Mask R-CNN在最近的长尾LVIS数据集上的表现进行系统调研后，我们发现不准确的对象提案分类是其表现下降的主要原因，然后我们提出了一种用于改进长尾分类性能的简单校准框架，它可以更有效地减轻分类头偏差，并结合二级类平衡采样方法。 在我们的实验中表现良好，提高了最近LVIS数据集和我们采样的COCO-LT数据集的尾部类别实例分割的准确性。

    Jul, 2020

  • 长尾实例分割的秋千损失

    该论文探讨了实例分割在长尾数据集方面的挑战，提出了一种新的损失函数Seesaw Loss，它包括了缓解因子和补偿因子来动态平衡正负样本的梯度，通过在LVIS数据集上的测试得出了比Cross-Entropy Loss更好的性能。

    Aug, 2020

  • 用于长尾目标检测的自适应类别压制损失

    该研究提出了一种名为ACSL自适应类别压制损失的方法来解决大词汇目标检测任务中长尾分布问题，并在LVIS和Open Images上取得了新的最佳表现。

    Apr, 2021

  • 使用分层自监督的无监督实例分割长尾发现

    该论文提出了一种可通过学习实例嵌入提供无监督发现实例分割中长尾类别的方法，利用图像中对象之间的丰富关系和层次结构提出了自监督损失方法训练掩码嵌入，经COCO数据集训练，该模型能够发现比COCO中的常见类别更精细和新奇的对象，并在LVIS评估中取得了与监督和部分监督方法相竞争的结果。

    Apr, 2021

  • 长尾实例分割的DropLoss

    本文提出一种新的自适应损失（DropLoss），用于解决目标检测中长尾类别分布下的损失不平衡问题，以改善罕见类别的预测结果，提高模型在LVIS数据集上的表现。

    Apr, 2021

  • 长尾有噪标注实例分割基准测试（简版）

    本文考虑了在包含标签噪声的长尾数据集上的实例分割任务，并提出了一个新的数据集，该数据集是一个包含标签噪声的大型词汇长尾数据集，结果表明训练集中的噪声将阻碍模型学习稀有类别，并降低整体性能，从而激发我们探索有效解决这个实际挑战的方法。

    Nov, 2022

  • 无需口罩的OVIS：无需手动标注口罩的开放词汇实例分割

    本研究提出了一种基于Open-Vocabulary（OV）和伪标注掩模的无掩模OVIS路线方法，以在弱监督学习条件下学习基本和新颖类别的实例分割模型，从而克服了现有实例分割模型中标注困难的问题并取得更好的性能结果。

    Mar, 2023

  • OpenVIS: 开放词汇视频实例分割

    本研究提出和研究了一项新的计算机视觉任务，名为OpenVIS，该任务旨在根据对应的文本描述同时分割，检测和跟踪视频中的任意对象。通过开放词汇的设计，OpenVIS可以识别所需类别的对象，而不管这些类别是否包括在训练数据集中。为了实现这一目标，本文提出了一个由两个阶段组成的流程，首先利用基于查询的蒙版提议网络生成所有潜在对象的蒙版，并通过预先训练的VLM预测其对应的类别，其次通过提议后处理方法更好地适应预训练的VLMs，以避免扭曲和不自然的提议输入。

    May, 2023