面向大规模层级目标检测与数据不平衡的高效网络学习：Open Images Challenge 2019第三名方案
计算机视觉与模式识别
2019-10-29 v1
摘要
本报告详述了我们在Google AI Open Images Challenge 2019目标检测赛道中的解决方案。基于对Open Images数据集的详细分析，发现其具有四个典型特征：大规模、层级标签体系、严重的标注不完整性和数据不平衡。考虑到这些特点，我们采用了多种策略，包括更大的骨干网络、分布式softmax损失、类感知采样、专家模型以及更重的分类器。借助这些有效策略，我们最佳的单一模型可达到61.90的mAP。经过集成，最终mAP在公开排行榜上提升至67.17，在私有排行榜上提升至64.21，从而在Open Images Challenge 2019中获得第三名。
引用
@article{arxiv.1910.12044,
title = {Learning an Efficient Network for Large-Scale Hierarchical Object Detection with Data Imbalance: 3rd Place Solution to Open Images Challenge 2019},
author = {Xingyuan Bu and Junran Peng and Changbao Wang and Cunjun Yu and Guoliang Cao},
journal= {arXiv preprint arXiv:1910.12044},
year = {2019}
}
备注
6 pages, 3 figures, ICCV 2019 Open Images Workshop