一种基于排名的平衡损失函数,统一了对象检测中的分类和定位
本文提出了一种针对目标检测的度量标准 'Localization Recall Precision (LRP) Error',该度量标准由三个与定位、假阴性率和假阳性率有关的组成部分组成,利用 Optimal LRP 来决定一个类别的最佳置信度阈值,从而平衡定位和召回精度之间的权衡。与 AP 不同,Optimal LRP 能为 SOTA 检测器提供比 AP 更丰富和有区别性的信息。
Jul, 2018
本文提出了基于定位和分类质量的视觉检测器的匹配误差的平均值作为 Localisation Recall Precision (LRP) 误差的测量方式。同时还引入了 oLRP 误差作为评估视觉检测器的最佳阈值。基于近 100 个最先进的视觉检测器,使用 10 个数据集进行了比较,发现 LRP 误差提供了比其他方法更丰富和更有区分度的信息。
Nov, 2020
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
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
本研究借助最近的榜单损失函数理论和实践证明,通过直接优化全局平均精度,提出了一个图像检索模型,消除了现有模型所需的工程努力和基于工具性方法的需求,并在许多标准检索基准测试中建立了新的基准。
Jun, 2019
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
本文回顾了平均精度丢失 (AP loss),揭示了选择正负样本之间排名对的关键性,并提出了两种改进 AP loss 的策略。 第一个是新的自适应成对误差 (APE) loss,专注于正负样本中的排名对。 此外,利用聚类算法和规范化排名分数和本地化分数选择更精确的排名对。在 MSCOCO 数据集上的实验证明了我们提出的方法相对于当前的分类和排名损失的优越性。
Jul, 2022
图像检索中,标准评估指标依赖于分数排名,如平均精度(AP)、前 k 个结果的召回率(R@k)、归一化折现累积增益(NDCG)。本研究引入了一种用于鲁棒且可分解的排名损失优化的通用框架,解决了端到端训练深度神经网络时面临的两个主要挑战:非可微性和非可分解性。首先,我们提出了一种通用的排名操作符替代品 SupRank,它适用于随机梯度下降,提供了排名损失的上界并保证了鲁棒训练。其次,我们使用一个简单而有效的损失函数来减小排名损失的批次平均近似与整个训练集上的损失值之间的可分解性差距。我们将我们的框架应用于图像检索的两个标准指标:AP 和 R@k。此外,我们还将我们的框架应用于分层图像检索。我们引入了 AP 的扩展,即分层平均精度 H-AP,并对其以及 NDCG 进行了优化。最后,我们创建了第一个分层地标检索数据集。我们使用半自动流程创建分层标签,扩展了大规模的 Google Landmarks v2 数据集。该分层数据集可在此 URL 公开获取。代码将在此 URL 发布。
Sep, 2023
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
本文提出了一种基于 zero-bounded log-sum-exp 和 pairwise rank-based 的 loss function -- ZLPR,能够处理目标标签数量不确定,同时考虑标签之间的相关性,使其具有与二进制关联(BR)和标签功率集(LP)相等的能力,并且可以具有与 BR 方法相同的计算复杂性和更综合的能力,我们的试验结果显示,ZLPR 在多个基准数据集和多个评价指标上都具有优良的效果,并且我们提出了软版本和相应的 KL-divergency 计算方法的 ZLPR,使得可以应用一些正则化技巧来增强模型的泛化性能。
Aug, 2022