针对密集目标检测的 AP Loss 再探：自适应排序对选择

CVPRJul, 2022

针对密集目标检测的 AP Loss 再探：自适应排序对选择

Revisiting AP Loss for Dense Object Detection: Adaptive Ranking Pair Selection

Dongli Xu, Jinhong Deng, Wen Li

TL;DR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。

Abstract

Average precision (AP) loss has recently shown promising performance on the dense object detection task. However,a deep understanding of how AP loss affects the detector from a pairwise ranking perspective has no

average precision loss dense object detection pairwise ranking adaptive pairwise error loss clustering algorithm

发现论文，激发创造

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

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

用平均精度学习：使用整体损失来训练图像检索

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

Smooth-AP：平滑大规模图像检索路径

介绍了 Smooth-AP 的目标函数来近似优化平均精度；这次研究对标准的检索基准、大规模的数据集进行评估，优于现有技术并展示了 Smooth-AP 在真实场景中的有效性和可扩展性。

Jul, 2020

图像检索的排名损失优化

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

评估大词汇物体检测器：细节决定成败

本文提出两种互补度量标准来解决在大词汇量和高实例数条件下，AP-Pool 评价指标的缺陷。我们发现，在对交叉类别进行再排序的情况下，这种缺陷形成了可操纵的指标，简单的再排序策略可以大幅提高平均精确度，而我们的新评估表明，许多报告的进展并未转化为改进，并考虑一种加权平均精确度的池化版本来奖励逐类别排序的合理性。最后，通过显式校准检测器，我们重新审视了经典的校准方法，并发现在 AP-Pool 上显式校准检测器可以将其最先进的水平提高 1.7 个点。

Feb, 2021

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

本文提出了一个统一，有界并平衡的基于排名的损失函数：平均定位 - 召回 - 精度 (aLRP)，用于目标检测中的分类和定位任务，它具有排名和平衡的优点，可自然增强高质量的定位。

Sep, 2020

超越 mAP: 迈向更好的实例分割评估

本文提出两个新的度量标准来明确测量空间和类别重复预测的数量，并提出基于像素占用匹配方案的语义排序和非极大值抑制模块，以减轻权衡预测并保留平均精度。

Jul, 2022

用于平均精度目标类别检测器的端到端训练

该文研究了一种利用均值平均精度作为训练损失的方法来直接训练 CNN 基础物体分类器，并探讨了如何有效计算这些损失的梯度。该方法在训练时同时使用非极大值抑制，使得训练与测试时使用相同的模型和损失函数。在 PASCAL VOC 2007 和 2012 数据集上，该模型达到了与标准 Fast R-CNN 相同的性能水平。

Jul, 2016

层次平均精度训练用于相关图像检索

本论文介绍了一种新的层次 AP 训练方法（HAP-PIER），其中 HAPPIER 基于一种新的 H-AP 指标，利用概念层次对 AP 进行细化，以整合错误的重要性并更好地评估排名，通过在 6 个数据集上的广泛实验，表明 HAPPIER 在分层检索方面显著优于最新方法，在评估细粒度排名表现时与最新方法相当，而且防止了非分层方法的大多数严重失败案例。

Jul, 2022