Jan, 2022

通过配对类别平衡来缓解长尾实例分割问题

HTML
PDF
TL;DR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。
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

  • 通过学习注释一致的实例来进行弱监督实例分割

    提出了一种基于弱监督的实例分割方法，使用条件分布来建模伪标签生成过程中的不确定性，通过联合概率学习目标来最小化两个分布之间的差异，实现了在 PASCAL VOC 2012 数据集上优于最优基线 4.2％ [email protected] 和 4.8％ [email protected] 的最新效果。

    Jul, 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

    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

  • 半监督语义分割的无偏子类正则化

    本文提出了一种无偏支持类别的子类别规则网络（USRN），来解决半监督语义分割中的类别偏置问题，通过通过将每个原始类别的像素聚类到多个大小相似的子类别中构建平衡的子类别分布，以提供类平衡的伪监督来规范类别偏倚分割。

    Mar, 2022

  • 基于类别难度的长尾视觉识别方法

    该研究旨在解决长尾型样本数据集中头部类别的偏差问题。通过设计一种基于实时测量类别难度的加权损失函数和数据采样技术来缓解偏差，并在多项任务上进行验证，包括图像分类、目标检测、实例分割和视频动作分类。在ImageNet-LT、LVIS和EGTEA等长尾型数据集上实现了最先进的效果。

    Jul, 2022

  • 长尾有噪标注实例分割基准测试（简版）

    本文考虑了在包含标签噪声的长尾数据集上的实例分割任务，并提出了一个新的数据集，该数据集是一个包含标签噪声的大型词汇长尾数据集，结果表明训练集中的噪声将阻碍模型学习稀有类别，并降低整体性能，从而激发我们探索有效解决这个实际挑战的方法。

    Nov, 2022

  • 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

  • 长尾分类的类实例平衡学习

    该研究提出了一种新的类实例平衡损失(CIBL)方法，以在训练数据的类频率不平衡时，通过重新平衡交叉熵损失和对比损失的相对贡献来获得更平衡的性能表现，并且通过使用余弦分类器，可以在更少的epochs中获得类似的性能表现。

    Jul, 2023

  • PAT：长尾分割的逐像素自适应训练

    通过像素适应性训练（PAT）技术，解决长尾分割学习中的类别频率、类别关系和标签掩码不平衡等挑战，提高模型性能并防止遗忘已学知识。

    Apr, 2024