一种基于排序的平衡损失函数统一目标检测中的分类与定位
计算机视觉与模式识别
2021-01-08 v4
摘要
我们提出平均定位-召回-精度（aLRP），一种统一的、有界的、平衡且基于排序的损失函数，用于目标检测中的分类与定位任务。aLRP 扩展了定位-召回-精度（LRP）性能指标（Oksuz 等，2018），其灵感来源于平均精度（AP）损失如何将精度扩展为用于分类的基于排序的损失函数（Chen 等，2020）。aLRP 具有以下显著优势：(i) aLRP 是首个用于分类与定位任务的基于排序的损失函数。(ii) 得益于对两项任务均使用排序，aLRP 自然地为高精度分类强制要求高质量定位。(iii) aLRP 提供了正负样本间可证明的平衡。(iv) 相较于最先进检测器损失函数中平均约 6 个超参数，aLRP 损失仅有一个超参数，且我们在实践中未对其调优。在 COCO 数据集上，aLRP 损失将其基于排序的前身 AP 损失提升了至多约 个 AP 点，在无测试时增强下达到 AP，并优于所有单阶段检测器。代码见：https://github.com/kemaloksuz/aLRPLoss 。
引用
@article{arxiv.2009.13592,
title = {A Ranking-based, Balanced Loss Function Unifying Classification and Localisation in Object Detection},
author = {Kemal Oksuz and Baris Can Cam and Emre Akbas and Sinan Kalkan},
journal= {arXiv preprint arXiv:2009.13592},
year = {2021}
}
备注
NeurIPS 2020 spotlight paper