面向长尾目标检测与实例分割的模型校准研究
计算机视觉与模式识别
2021-12-01 v2 人工智能
机器学习
摘要
在长尾设定下，用于目标检测与实例分割的普通模型存在严重偏向检测频繁物体的偏差。现有方法主要在训练阶段解决该问题，例如通过重采样或重加权。本文研究了一种被极大忽视的方法——置信度分数的后处理校准。我们提出了 NorCal（Normalized Calibration，长尾目标检测与实例分割的归一化校准），这是一种简单直接的方案，按每个类的训练样本量对其预测分数进行重加权。我们表明，单独处理背景类并对每个候选框在各类间进行分数归一化是实现优越性能的关键。在 LVIS 数据集上，NorCal 能有效改进几乎所有基线模型，不仅在稀有类上，也在常见类和频繁类上。最后，我们进行了大量分析与消融实验，以深入理解我们方法的各种建模选择与机制。我们的代码已公开于 https://github.com/tydpan/NorCal/。
引用
@article{arxiv.2107.02170,
title = {On Model Calibration for Long-Tailed Object Detection and Instance Segmentation},
author = {Tai-Yu Pan and Cheng Zhang and Yandong Li and Hexiang Hu and Dong Xuan and Soravit Changpinyo and Boqing Gong and Wei-Lun Chao},
journal= {arXiv preprint arXiv:2107.02170},
year = {2021}
}
备注
Accepted to NeurIPS 2021