用于大词汇表实例分割的平衡损失
计算机视觉与模式识别
2019-11-13 v1
摘要
近期的目标检测与实例分割任务主要关注类别集相对较小的数据集，例如Pascal VOC的20类和COCO的80类。新的大词汇表数据集LVIS给传统方法带来了新挑战。在本文中，我们提出一种平衡损失来解决稀有类别的长尾问题。结合利用来自检测数据集的数据以缓解训练期间缺失标注问题的影响，与Mask R-CNN基线相比，我们的方法在LVIS基准上无需任何额外技巧即取得整体AP提升5.1%以及稀有类别AP提升11.4%。最终我们在LVIS测试集上取得28.9掩码AP，并在LVIS Challenge 2019中排名第一。
引用
@article{arxiv.1911.04692,
title = {Equalization Loss for Large Vocabulary Instance Segmentation},
author = {Jingru Tan and Changbao Wang and Quanquan Li and Junjie Yan},
journal= {arXiv preprint arXiv:1911.04692},
year = {2019}
}
备注
Technical Report. Winner of LVIS Challenge 2019