面向平衡的焦损失与线性调度用于无锚框目标检测

大多数现有目标检测器都受到类别不平衡问题的困扰，从而阻碍了均衡的性能表现。特别是，无锚框目标检测器由于采用逐像素预测方式进行检测，必须同时解决背景不平衡问题和前景不平衡问题。在本工作中，我们提出面向平衡的焦损失（Balance-oriented focal loss），通过综合考量背景与前景平衡来诱导均衡学习。本工作旨在解决在使用非极端分布的一般不平衡数据（不包含少样本）以及针对无锚框目标检测器的焦损失时的不平衡问题。我们采用批级 alpha 平衡变体的焦损失来精细处理该不平衡问题。这是一种仅对一般不平衡数据使用重加权的简单且实用的方案。它既不需要额外的学习成本，也不需要在推理时进行结构改变，且无需对类别进行分组。通过大量实验，我们展示了各组件的性能提升，并分析了在使用损失重加权时线性调度的效果。通过在平衡前景类别方面改进焦损失，我们的方法在 MS-COCO 数据集上为无锚框实时检测器实现了 +1.2 的 AP 提升。