基于桶式排序损失的对象检测器高效训练

排序基于损失函数，如Average Precision Loss和Rank&Sort Loss，在对象检测中优于广泛使用的基于得分的损失函数。这些损失函数更符合评估标准，参数更少，且对正负样本之间的不平衡具有更好的鲁棒性。然而，它们需要在P个正预测和N个负预测之间进行两两比较，引入$\mathcal{O}(PN)$的时间复杂性，这在N通常很大（例如ATSS中为$10^8$）时会变得不可接受。尽管存在这些优势，排序基于损失函数的广泛采用仍受到其高时间和空间复杂度的限制。在本文中，我们专注于提高排序基于损失函数的效率。为此，我们提出了Bucketed Ranking-based Losses，通过将负预测分组到B个桶中（$B \ll N$），以减少两两比较的数量，从而降低时间复杂性。我们的方法将时间复杂性提升为$\mathcal{O}(\max(N \log(N), P^2))$。为验证我们的方法的通用性，我们在2个不同任务、3个不同数据集、7个不同检测器上进行实验。我们表明，Bucketed Ranking-based（BR）Loss在准确率上与非分组版本相当，平均提供$2\times$的训练速度提升。我们还首次使用我们的BR Loss训练基于transformer的对象检测器。当我们使用我们的BR Loss训练最先进的基于transformer的对象检测器CoDETR时，在各种不同的backbone上 consistently outperform其原始结果。代码可在 https://github.com/blisgard/BucketedRankingBasedLosses 获取。