长尾目标检测的分形校准

真实世界的数据集遵循不平衡的分布，这在稀有类别目标检测中提出了重大挑战。最近的研究通过开发重加权和重抽样方法来解决此问题，这些方法利用数据集的类别频率。然而，这些技术仅关注频率统计，忽略了类别在图像空间中的分布，遗漏了重要信息。与它们不同，我们提出了 FRActal CALibration (FRACAL)：一种用于长尾目标检测的新型后校准方法。FRACAL 设计了一种 logit 调整方法，利用分形维度来估计类别在图像空间中的均匀性。推理期间，它使用分形维度对均匀分布的类别预测概率进行反向加权，以在两个轴上实现平衡：在频繁类别和稀有类别之间，以及在均匀分布和稀疏分布的类别之间。FRACAL 是一种后处理方法，不需要任何训练，也可以与各种开箱即用的模型结合，如单阶段 sigmoid 检测器和双阶段实例分割模型。FRACAL 通过最高可达 8.6% 提升稀有类别性能，并在 LVIS 数据集上超越了所有先前方法，同时对其他数据集如 COCO、V3Det 和 OpenImages 表现良好。我们提供代码。