Jun, 2020

广义 Focal Loss：学习密集物体检测的合格和分布式边界框

PDF
TL;DR本篇论文提出了一种基于 Generalized Focal Loss 的改进型 One-Stage Detector，在保证速度的情况下，在 COCO 数据集上实现了 state-of-the-art 的准确率。
发现论文，激发创造
  • 广义 Focal Loss V2: 学习可靠的定位质量估计，应用于密集目标检测

    本文提出了一种基于边界框的四个参数的学习分布的方法，通过对边界框分布的统计学特征和真实定位质量之间的密切相关性，发展了一种可靠的质量预测器以优化定位质量评估获取更高的检测性能，进而证明了本研究方法的有效性。

    Nov, 2020

  • 密集目标检测的 Focal Loss

    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

  • 检测器的焦点和全局知识蒸馏

    该论文提出前景和全局蒸馏技术（FGD），将知识蒸馏方法成功地应用于目标检测任务，通过前景蒸馏和全局蒸馏对学生网络进行训练，实现了对教师网络的知识迁移，取得了显著的 mAP 改进。

    Nov, 2021

  • DR Loss: 通过分布式排序提高目标检测精度

    本篇论文提出了分布式排名（DR）损失，以在单一阶段识别前景物体时处理前景和背景类别的数量不平衡和背景候选难度的不平衡。本方法不仅缓解了背景候选的内类别不平衡问题，而且提高了排名算法的效率。将 DR 损失应用于 RetinaNet 中，应用 ResNet-101 作为主干网络，单尺度测试的 mAP 即可从 39.1% 提高到 41.7%，证明了所提出的损失函数的有效性。

    Jul, 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

  • Focaler-IoU：更聚焦的交并比损失函数

    通过分析难易样本分布对回归结果的影响，提出了 Focaler-IoU 方法，可以通过关注不同的回归样本，在不同的检测任务中提高检测器的性能。

    Jan, 2024

  • VarifocalNet: 一种 IoU 感知的密集物体检测器

    本文提出了新的 Iou-aware Classification Score (IACS)、Varifocal Loss 以及 star-shaped bounding box feature，建立了基于 FCOS+ATSS 体系结构的 IoU-aware dense object detector VarifocalNet (VFNet)，在 MS COCO 数据集上进行了广泛实验，其效果表现出了明显的优势。

    Aug, 2020

  • 具有 AP 损失函数的精确单阶段目标检测

    本文提出了一种基于排序任务和平均准确率损失（AP-loss）的新框架和一种新的优化算法，以解决一阶段目标检测器中的分类任务造成前景背景极度不平衡问题。实验证明这种方法可以有效提高检测性能。

    Apr, 2019

  • 精准一阶段物体检测的 AP 误差

    本文提出了一种有效的方法，将一阶段目标检测器的分类任务替换为排名任务，并采用平均准确率 (Average-Precision) 损失函数，通过优化算法，处理了训练中的极端正负样本不平衡问题，获得了比现有 AP-based 优化算法更出色的实验结果。

    Aug, 2020

  • 单阶段目标检测的 IoU 平衡损失函数

    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