用于长尾目标识别的平衡损失
计算机视觉与模式识别
2020-04-15 v2
摘要
使用卷积神经网络（CNN）的目标识别技术已取得巨大成功。然而，最先进的目标检测方法在大规模词表与长尾数据集（如 LVIS）上仍表现不佳。在本文中，我们从一个新颖的视角分析该问题：某一类别的每个正样本可被视为其他类别的负样本，使得尾部类别接收到更多抑制性梯度。基于此，我们提出一种简单而有效的损失，称为平衡损失（equalization loss），通过简单地忽略那些针对稀有类别的梯度来解决长尾稀有类别问题。平衡损失在网络参数更新过程中保护稀有类别的学习不处于劣势。因此，模型能够为稀有类别的目标学习更好的判别特征。无需任何额外技巧，与 Mask R-CNN 基线相比，我们的方法在具有挑战性的 LVIS 基准上分别为稀有和常见类别带来 4.1% 和 4.8% 的 AP 提升。借助有效的平衡损失，我们最终在 LVIS Challenge 2019 中获得第一名。代码已发布于：https://github.com/tztztztztz/eql.detectron2
引用
@article{arxiv.2003.05176,
title = {Equalization Loss for Long-Tailed Object Recognition},
author = {Jingru Tan and Changbao Wang and Buyu Li and Quanquan Li and Wanli Ouyang and Changqing Yin and Junjie Yan},
journal= {arXiv preprint arXiv:2003.05176},
year = {2020}
}
备注
CVPR 2020. Winner of LVIS Challenge 2019. Code has been available at https: //github.com/tztztztztz/eql.detectron2