ECCVJul, 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

PDF
TL;DR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。
object instance detectionsegmentation modelslong-tail lvis datasetclassification head biascalibration framework
发现论文，激发创造
  • 长尾实例分割的分类校准

    本研究探究基于 LVIS 数据集的极长尾数据对两阶段实例分割模型性能下降的现象，并发现物体提议分类的不准确是主要原因。通过将分类头部进行预测校准并不需要额外的费用和修改检测模型架构，可以大幅提高基线模型的识别性能。

    Oct, 2019

  • 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

  • 关于长尾物体检测和实例分割的模型校准

    本研究探讨了一种后处理校准置信度分数的方法，提出了 NorCal，基于训练样本大小来重新加权每个类别的预测分数，通过将背景类别和每个候选区域上类别的分数进行归一化来在长尾场景下增强性能，这种方法可以显著提高几乎所有基线模型的表现。

    Jul, 2021

  • 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

  • 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

  • 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

  • Forest R-CNN: 大词汇量长尾目标检测和实例分割

    本研究提出了一种基于分类树和分类森林的方法 Forest R-CNN，通过利用对象类别之间的关系来构建分类树，re-balance 数据分布，以提高在大词汇量数据集 LVIS 上识别 1000 多个类别的目标识别模型的性能。实验表明，此方法在稀有类别和整体类别方面明显提高了性能，并在 LVIS 数据集上实现了最先进的结果。

    Aug, 2020

  • 使用平衡分组 softmax 解决长尾目标检测中分类器不平衡问题

    本文针对长尾大词汇物体检测的低效性进行了系统分析，提出了一种基于组内平衡 Softmax（BAGS）的解决方案，它能够通过分组培训平衡分类器，显著提高检测器的性能，超越了源自长尾图像分类的所有现有方法，并在最新的 LVIS 检测基准数据集上实现了新的最佳结果。

    Jun, 2020

  • 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

  • 改进长尾识别的校准

    本文针对训练数据集不均衡和 miscalibration 等问题，设计了两种方法，分别为标签感知平滑和批次偏移规范化，并在多个长尾识别基准数据集上创造了新记录。

    Apr, 2021