CVPRAug, 2020

长尾实例分割的秋千损失

PDF
TL;DR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。
instance segmentationlong-tailed datasetsseesaw lossmitigation factorcompensation factor
发现论文，激发创造
  • 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

  • 长尾学习作为多目标优化

    通过多目标优化，我们提出一种梯度平衡聚类（GBG）策略，以应对现实世界数据中的类别不平衡和长尾分布问题，并在长尾学习中展现出比现有方法更优越的性能。

    Oct, 2023

  • 针对长尾语义分割的对数变化平衡

    通过引入类别相关的变化，提出了一种在训练阶段使实例不再被投影到特征点而是小范围内的方法，从而在不同类别的特征区域之间实现平衡，提高语义分割的性能和可适用性。

    Jun, 2023

  • 梯度感知的对数调整损失函数用于长尾分类器

    我们提出了梯度感知的逻辑调整（GALA）损失和预测再平衡策略来解决长尾数据问题，并在多个数据集上实验证明了其有效性。

    Mar, 2024

  • 长尾识别的表示与分类器解耦

    本研究中，我们解耦学习过程，系统地探索不同平衡策略如何影响长尾识别的表示学习和分类器。我们的发现表明，数据不平衡在学习高质量表示方面可能不是问题，在使用最简单的实例平衡抽样进行学习表示的情况下，只需调整分类器就能实现强大的长尾识别能力，甚至可以胜过精心设计的损失、采样策略以及使用记忆组件的复杂模块。

    Oct, 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

  • 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

  • 通过配对类别平衡来缓解长尾实例分割问题

    本研究探讨使用混淆矩阵对长尾实例分割问题中不同类别间的精细误分类信息进行建模，从而解决训练样本不平衡引起的模型偏差问题，提出的 Pairwise Class Balance (PCB) 方法能够有效地进行模型规范化训练，实验结果表明该方法具有较强的泛化性能和优越的表现。

    Jan, 2022