关键词long-tailed object detection
搜索结果 - 7
- 纠正长尾目标检测中的回归偏差
长尾目标检测中存在回归偏差,并且此研究首次尝试揭示和纠正回归偏差对长尾目标检测的影响。
- 目标检测与少数类共识关注
使用修改的共识焦点和基于源置信度的投票系统,该研究提出了一种半监督和长尾目标检测方法,通过在目标标签空间中选择各个类别的相关性,放宽了少数类别边界框的抑制,从而比 NMS、soft-NMS 和 WBF 等方法获得更高的置信度和更准确的边界框 - 从丰富语义和粗略位置中学习长尾物体检测
使用 RichSem 作为额外的软监督,在长尾对象检测中学习富语义,从而提高特征表示,并取得了优于其他方法的最新性能。
- 级联匹配半监督长尾目标检测
本文提出了一种基于伪标签的半监督级联匹配检测器 CascadeMatch,该检测器采用级联网络架构,并具有根据数据自适应提取的伪标签。实验结果表明,CascadeMatch 在处理长尾物体检测方面优于现有半监督方法,在几种检测结构中均优于 - 面向长尾目标检测的实例感知重复因子采样
提出了一种简单但有效的方法 —— 实例感知重复因素采样(IRFS),该方法可以通过将实例计数和图像计数统一来增强长尾数据集中罕见类别目标检测模型的泛化性能,并在多种架构和骨干网络上展示出显著的改进效果,是一种强大的基准模型。
- CVPR密集长尾目标检测的均衡焦点损失
研究表明,采用传统的聚焦损失平衡训练流程难以解决长尾数据分布下某些类别正负样本不平衡的问题,作者因此提出了一种称之为 Equalized Focal Loss (EFL) 的损失函数,该方法采用与类别相关的调节因子来平衡不同类别的正负样本损 - CVPREqualization Loss v2: 长尾物体检测的新梯度平衡方法
为解决不平衡梯度导致的长尾目标检测困难,本研究提出了一种新的均衡损失(EQL v2)。实验结果表明,EQL v2 在 LVIS 基准测试中表现优异,比起原 EQL 可提高 4 个点的总 AP 值和 14-18 个点的罕见类别 AP 值,并且