面向长尾目标检测的自适应类别抑制损失
计算机视觉与模式识别
2021-04-05 v1
摘要
针对大词汇量目标检测任务中的长尾分布问题，现有方法通常将全部类别划分为若干组并采用不同策略处理。这些方法带来以下两个问题：一是尺寸相近的相邻类别间训练不一致，二是所学模型对与某些头部类别语义相似的尾部类别缺乏判别力。本文设计了一种新颖的自适应类别抑制损失 (Adaptive Class Suppression Loss, ACSL)，以有效解决上述问题并提升尾部类别的检测性能。具体而言，我们引入一种无统计的视角来分析长尾分布，打破了人工分组的局限。基于该视角，我们的 ACSL 自适应地调整每个类别每个样本的抑制梯度，保证了训练一致性并增强了稀有类别的判别力。在长尾数据集 LVIS 和 Open Images 上的大量实验表明，使用 ResNet50-FPN 时我们的 ACSL 分别取得了 5.18% 和 5.2% 的提升，并刷新了当前最优 (state of the art) 性能。代码与模型见 https://github.com/CASIA-IVA-Lab/ACSL。
引用
@article{arxiv.2104.00885,
title = {Adaptive Class Suppression Loss for Long-Tail Object Detection},
author = {Tong Wang and Yousong Zhu and Chaoyang Zhao and Wei Zeng and Jinqiao Wang and Ming Tang},
journal= {arXiv preprint arXiv:2104.00885},
year = {2021}
}
备注
CVPR2021 camera ready version