面向长尾实例分割的分类校准

近年来，在目标实例检测与分割方面取得了显著进展。然而，现有最先进方法大多在较为平衡且类别受限的基准上评估，如Microsoft COCO数据集[8]。在本报告中，我们基于LVIS[5]数据集研究了最先进两阶段实例分割模型在处理极端长尾训练数据时的性能下降现象，并发现一个主要成因是物体候选框的分类不准确。基于该观察，我们提出对分类头的预测进行校准，以提升尾类识别性能。在不增加过多额外成本且不修改检测模型架构的情况下，我们的校准方法在尾类上大幅提升了基线性能。代码将公开。重要的是，在提交后，我们发现通过修改校准头可进一步获得显著提升，我们将在后续更新。