面向长尾实例分割的 DropLoss
计算机视觉与模式识别
2021-04-20 v2
摘要
长尾类别分布在实际的目标检测和实例分割应用中十分普遍。先前关于长尾实例分割的工作通过降低模型错误预测稀有类别标签的惩罚来应对稀有与频繁类别之间损失的不平衡。我们证明，稀有类别被正确的背景预测严重抑制，这以相等权重降低了所有前景类别的概率。由于稀有类别的相对不频繁，这导致了一种偏向预测更频繁类别的不平衡。基于这一洞察，我们提出了 DropLoss——一种新颖的自适应损失，可在不牺牲稀有与频繁类别之间权衡的情况下补偿这种不平衡。借助该损失，我们在 LVIS 数据集上展示了在稀有、常见和频繁类别上的最先进 mAP。
引用
@article{arxiv.2104.06402,
title = {DropLoss for Long-Tail Instance Segmentation},
author = {Ting-I Hsieh and Esther Robb and Hwann-Tzong Chen and Jia-Bin Huang},
journal= {arXiv preprint arXiv:2104.06402},
year = {2021}
}
备注
Code at https://github.com/timy90022/DropLoss