面向密集长尾目标检测的平衡焦损失
计算机视觉与模式识别
2022-07-01 v2
摘要
尽管长尾目标检测近期取得进展，但几乎所有长尾目标检测器都基于两阶段范式开发。在实践中，单阶段检测器因具有简单快速的流程且易于部署而在工业中更为普遍。然而，在长尾场景下，这一方向的工作迄今尚未被探索。本文中，我们研究单阶段检测器能否在此情况下表现良好。我们发现阻碍单阶段检测器取得优异性能的主要障碍是：在长尾数据分布下，各类别遭受不同程度的正负样本不平衡问题。常规焦点损失（focal loss）以相同的调节因子为所有类别平衡训练过程，因而无法处理长尾问题。为解决此问题，我们提出平衡焦损失（EFL），其根据各类别的不平衡程度独立地重新平衡不同类别正负样本的损失贡献。具体而言，EFL采用类别相关的调节因子，可由不同类别的训练状态动态调整。在具有挑战性的LVIS v1基准上进行的广泛实验证明了我们所提方法的有效性。通过端到端训练流程，EFL在总体AP上达到29.2%，并在稀有类别上获得显著性能提升，超越所有现有最先进方法。代码可在https://github.com/ModelTC/EOD获取。
引用
@article{arxiv.2201.02593,
title = {Equalized Focal Loss for Dense Long-Tailed Object Detection},
author = {Bo Li and Yongqiang Yao and Jingru Tan and Gang Zhang and Fengwei Yu and Jianwei Lu and Ye Luo},
journal= {arXiv preprint arXiv:2201.02593},
year = {2022}
}
备注
Accepted by the IEEE/CVF Computer Vision and Pattern Recognition Conference (CVPR) 2022