基于 Gumbel 优化损失的长尾实例分割
计算机视觉与模式识别
2022-11-04 v2
摘要
近年来，目标检测与分割领域取得了重大进展。然而，对于稀有类别，最先进的方法无法检测它们，导致稀有类别与常见类别之间存在显著的性能差距。在本文中，我们指出深度检测器中使用的 Sigmoid 或 Softmax 函数是导致低性能的主要原因，并且对于长尾检测与分割而言是次优的。为此，我们提出了一种用于长尾检测与分割的 Gumbel 优化损失（GOL）。它契合不平衡数据集中稀有类别的 Gumbel 分布，考虑到长尾检测中的大多数类别具有较低的期望概率这一事实。所提出的 GOL 在 LVIS 数据集上相比最佳最先进方法在 AP 上显著高出 1.1%，并将整体分割提升 9.0%、检测提升 8.0%，特别是相比 Mask-RCNN 将稀有类别的检测提升了 20.3%。代码见：https://github.com/kostas1515/GOL
引用
@article{arxiv.2207.10936,
title = {Long-tailed Instance Segmentation using Gumbel Optimized Loss},
author = {Konstantinos Panagiotis Alexandridis and Jiankang Deng and Anh Nguyen and Shan Luo},
journal= {arXiv preprint arXiv:2207.10936},
year = {2022}
}
备注
ECCV2022