用于多标签分类的非对称损失
计算机视觉与模式识别
2021-07-30 v4 机器学习
摘要
在典型的多标签设置中，一张图片平均只包含少量正标签和大量负标签。这种正负不平衡主导了优化过程，并可能导致训练期间来自正标签的梯度被低估，从而造成精度不佳。本文提出一种新颖的非对称损失（"ASL"），其对正样本和负样本采用不同的处理方式。该损失能够动态降低简单负样本的权重并对其进行硬阈值化，同时丢弃可能误标注的样本。我们展示了 ASL 如何平衡不同样本的概率，以及这种平衡如何转化为更好的 mAP 分数。借助 ASL，我们在多个流行的多标签数据集上取得了最先进的结果：MS-COCO、Pascal-VOC、NUS-WIDE 和 Open Images。我们还展示了 ASL 在其他任务（如单标签分类和目标检测）上的适用性。ASL 有效、易于实现，且不会增加训练时间或复杂度。实现代码见：https://github.com/Alibaba-MIIL/ASL。
引用
@article{arxiv.2009.14119,
title = {Asymmetric Loss For Multi-Label Classification},
author = {Emanuel Ben-Baruch and Tal Ridnik and Nadav Zamir and Asaf Noy and Itamar Friedman and Matan Protter and Lihi Zelnik-Manor},
journal= {arXiv preprint arXiv:2009.14119},
year = {2021}
}
备注
Accepted to ICCV 2021