CVPRMar, 2020

长尾目标识别的均衡损失

PDF
TL;DR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。
发现论文，激发创造
  • 大词汇实例分割的均衡损失

    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。

    Nov, 2019

  • 密集长尾目标检测的均衡焦点损失

    研究表明，采用传统的聚焦损失平衡训练流程难以解决长尾数据分布下某些类别正负样本不平衡的问题，作者因此提出了一种称之为 Equalized Focal Loss (EFL) 的损失函数，该方法采用与类别相关的调节因子来平衡不同类别的正负样本损失贡献，并通过 LVIS v1 基准测试表明该方法在稀有类别上有显著的性能提升。

    Jan, 2022

  • Equalization Loss v2: 长尾物体检测的新梯度平衡方法

    为解决不平衡梯度导致的长尾目标检测困难，本研究提出了一种新的均衡损失（EQL v2）。实验结果表明，EQL v2 在 LVIS 基准测试中表现优异，比起原 EQL 可提高 4 个点的总 AP 值和 14-18 个点的罕见类别 AP 值，并且甚至超过了分离式训练方法。

    Dec, 2020

  • 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

  • 探索长尾目标检测中的分类平衡

    本研究提出使用平均分类得分来指示每个类别的分类准确性，并通过平衡损失和记忆增强特征采样方法，在长尾检测中找到分类平衡，显著提高了尾部类的检测性能，且代码可用。

    Aug, 2021

  • 平衡分类：长尾物体检测的统一框架

    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

  • 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

  • 面向长尾视觉识别的特征平衡损失

    本文提出了通过使用平衡的特征损失，通过课程学习来加强长尾类别的激励，强化尾部类别的特征规范，从而提高了长尾问题的性能，并在多个受欢迎的长尾识别基准上实现了优越的性能增益。

    May, 2023

  • 纠正长尾目标检测中的回归偏差

    长尾目标检测中存在回归偏差，并且此研究首次尝试揭示和纠正回归偏差对长尾目标检测的影响。

    Jan, 2024

  • 通过平滑尾部数据逐步学习，提高长尾目标检测能力

    本文通过构建 smooth-tail 数据实现对长尾数据的更精确检测，并通过逐步优化模型以达到提高模型性能的目的。通过在 LVIS v0.5 和 LVIS v1.0 数据集上进行实验验证了本方法的卓越性能。

    May, 2023