纠正长尾目标检测中的回归偏差
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
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
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
本文通过构建 smooth-tail 数据实现对长尾数据的更精确检测,并通过逐步优化模型以达到提高模型性能的目的。通过在 LVIS v0.5 和 LVIS v1.0 数据集上进行实验验证了本方法的卓越性能。
May, 2023
本文提出了一种新的解决长尾图像识别中头尾偏差问题的方法,通过调整标签空间来平衡数据,从而提高分类性能。实验证明该方法可应用于多种模型,并为长尾特征学习提供了思路。
Aug, 2022
本文针对长尾大词汇物体检测的低效性进行了系统分析,提出了一种基于组内平衡 Softmax(BAGS)的解决方案,它能够通过分组培训平衡分类器,显著提高检测器的性能,超越了源自长尾图像分类的所有现有方法,并在最新的 LVIS 检测基准数据集上实现了新的最佳结果。
Jun, 2020
本研究提出通过保留特定类别低频率的能力,并设计了一种有效的残差融合机制来缓解极不平衡数据分布的深度学习算法应用长尾数据分布时普遍存在的问题,通过在参数空间的角度来解决长尾识别问题,并在多个基准数据集上进行了测试,证明了方法的有效性。
Jan, 2021
本文从领域自适应的角度分析了分类中长尾类别分布的问题,提出了基于元学习的显式估计类别条件分布差异的方案,并在六个基准数据集和三个损失函数上进行了验证。
Mar, 2020
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
通过深度学习技术,本研究提出了一种新的长尾图像识别方法,通过学习共享的隐含特征来改进特征表征,并在这些特征上进行语义数据增强,以提高训练样本的多样性,显著改善了基线模型。
Sep, 2023