基于有效类间隔的长尾检测
计算机视觉与模式识别
2023-01-25 v1 机器学习
摘要
大规模目标检测与实例分割面临严重的数据不平衡问题。物体类别划分得越细粒度，它们在数据集中出现的频率就越低。然而在测试时，我们期望一个对所有类别（而不仅仅是最高频类别）都表现良好的检测器。本文对长尾检测问题提供了理论理解。我们展示了在未知测试集上常用的平均精度均值（mean average precision）评价指标如何受限于长尾目标检测训练集上基于间隔的二分类误差的界。我们使用一种称为\textbf{有效类间隔损失}（Effective Class-Margin Loss，ECM）的新代理目标来优化基于间隔的二分类误差。ECM损失简单、具有良好理论动机，并在LVIS v1基准上针对广泛的架构和检测器优于其他启发式对应方法。代码见\url{https://github.com/janghyuncho/ECM-Loss}。
引用
@article{arxiv.2301.09724,
title = {Long-tail Detection with Effective Class-Margins},
author = {Jang Hyun Cho and Philipp Krähenbühl},
journal= {arXiv preprint arXiv:2301.09724},
year = {2023}
}
备注
ECCV 2022 Oral. Code is available at https://github.com/janghyuncho/ECM-Loss