本文研究了单阶段物体检测器比两阶段物体检测器速度更快,但精度更低的原因,并提出了一种名为Focal Loss的做法,以解决稠密检测器训练中遇到的前景背景类别不平衡问题,该方法能够提高准确性。在该方法的基础上设计了一种名为RetinaNet的密集型检测器,取得了超过现有首屈一指的两阶段检测器的精度。
Aug, 2017
本文回顾了基于深度学习的目标检测框架,从深度学习和卷积神经网络教程开始,介绍了典型的通用和特定目标检测架构以及改进方法和技巧,并提供了实验数据分析,最后提出了未来研究中的几个有前景的方向和任务。
Jul, 2018
本研究提出了 Libra R-CNN 框架实现平衡的目标检测训练,通过三个组件,在样本、特征和目标级别减少不平衡,显著提高检测性能。
Apr, 2019
本文系统综述了物体检测中的不平衡问题,并提出了以问题为基础的分类法,并对每个问题进行深入讨论,对文献中的解决方案提出了统一而批判性的观点。此外,我们也指出了现有不平衡问题以及未被讨论的不平衡问题的主要开放问题,并提供了一个Web页面,以我们的以问题为基础的分类法来列出解决不平衡问题的论文,供研究人员跟踪新的研究。
Aug, 2019
通过分析 15 多个模型在 4 个数据集上的表现,确定了基于深度学习的目标检测算法的平衡点,并发现分类错误是目标检测中错误的主要来源,而上下文对于检测小目标比大目标更重要。
Nov, 2019
通过对ImageNet图像前景和背景信号的分离,发现现代物体识别模型往往依赖于背景信号,影响了模型的分类效率和漏洞表现。
Jun, 2020
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
我们提出了一种通过多标签分层来均匀分布图像中的类别从而解决目标检测中的类别不平衡问题的方法,并发现该方法在严重不平衡且数据较少的数据集上效果更好。
使用YOLOv5单阶段检测器解决前景-前景类别不平衡问题,通过采样和重加权方法对比分析发现,数据增强方法,特别是马赛克和混合推动了模型在COCO-ZIPF数据集上的表现。
Mar, 2024
当前半监督目标检测算法通常假设类别平衡的数据集(如PASCAL VOC等)或类别稍不平衡的数据集(如MS-COCO等),然而真实世界的数据集往往具有极度的类别不平衡性,从而使半监督目标检测器的性能远远不令人满意。为了弥补这一研究空白,我们全面研究了半监督目标检测中类别不平衡问题的更具挑战性的场景,形成了第一个实验设置用于类别不平衡的半监督目标检测(CI-SSOD)。此外,我们提出了一个简单但有效的基于梯度的采样框架,从两个类型的确认偏差的角度解决了类别不平衡问题。实验结果表明,我们的方法在三个提出的子任务上,即MS-COCO、MS-COCO到Object365和LVIS上,均明显优于当前的类别不平衡目标检测器,为未来CI-SSOD研究提供了基准。