通过类别信息量实现更好的长尾目标检测

Yanbiao Ma; Wei Dai; Jiayi Chen

通过类别信息量实现更好的长尾目标检测

计算机视觉与模式识别 2025-02-07 v1 人工智能

作者: Yanbiao Ma , Wei Dai , Jiayi Chen

摘要

在目标检测中，实例数量通常被用来定义数据集是否呈现长尾分布，并隐含地假设模型在实例较少的类别上表现不佳。这一假设引发了对实例数量不平衡数据集中类别偏差的广泛研究。然而，即使在实例数量相对平衡的数据集中，模型仍然表现出类别偏差，这表明仅凭实例数量无法解释这一现象。在这项工作中，我们首先引入了类别信息量的概念和度量方法。我们观察到类别信息量与准确率之间存在显著的负相关，表明类别信息量能更准确地反映类别的学习难度。基于这一观察，我们提出了信息量引导的角度间隔（IGAM）损失函数。IGAM的核心思想是根据每个类别的信息量动态调整其决策空间，从而减少长尾数据集中的类别偏差。IGAM损失不仅在LVIS v1.0和COCO-LT等长尾基准数据集上表现良好，而且在非长尾数据集Pascal VOC中，对代表性不足的类别也有显著改进。综合实验证明了类别信息量作为一种工具的潜力以及我们提出方法的通用性。

关键词

long-tail distribution category bias category information amount object detection angular margin loss IGAM loss

引用

@article{arxiv.2502.03852,
  title  = {Pursuing Better Decision Boundaries for Long-Tailed Object Detection via Category Information Amount},
  author = {Yanbiao Ma and Wei Dai and Jiayi Chen},
  journal= {arXiv preprint arXiv:2502.03852},
  year   = {2025}
}

备注

Published as a conference paper at ICLR 2025

通过类别信息量实现更好的长尾目标检测

摘要

关键词

引用

备注

相关论文