面向长尾目标检测的对数归一化
计算机视觉与模式识别
2022-04-01 v1
摘要
现实世界中呈现偏斜分布的数据对现有目标检测器提出了严峻挑战。此外，检测器中的采样器导致训练标签分布发生偏移，而背景样本相对于前景样本的极大比例严重损害了前景分类。为缓解这些问题，本文提出对数归一化（LogN），一种以类似于批归一化的方式对检测器分类对数（logits）进行自校准的简单技术。总体而言，我们的LogN无需训练和调参（即不需要额外的训练和调优过程）、与模型和标签分布无关（即可泛化至不同种类的检测器和数据集），并且即插即用（即无需任何额外修饰即可直接应用）。在LVIS数据集上的大量实验表明，LogN在各种检测器和骨干网络下均优于最先进的（SOTA）方法。我们还对LogN的不同方面进行了深入研究。在ImageNet-LT上的进一步实验揭示了其竞争力和可泛化性。我们的LogN可作为长尾目标检测的有力基线，并有望启发该领域的未来研究。代码和训练好的模型将在 https://github.com/MCG-NJU/LogN 公开提供。
引用
@article{arxiv.2203.17020,
title = {Logit Normalization for Long-tail Object Detection},
author = {Liang Zhao and Yao Teng and Limin Wang},
journal= {arXiv preprint arXiv:2203.17020},
year = {2022}
}