利用加权交叉熵损失解决目标检测中的类别不平衡问题
计算机视觉与模式识别
2020-06-03 v1
摘要
目标检测是计算机视觉中的一项重要任务，服务于自动驾驶、监控和机器人等众多现实应用。随着大规模数据的快速增长，过去十年间涌现了大量最先进的通用目标检测器（如 Faster R-CNN、YOLO、SSD）。尽管在模型修改和训练策略改进方面付出了持续努力以提升检测精度，但当面对具有不均匀目标类别分布的专用数据集时，检测器的性能仍存在局限性。这源于目标分类子任务中普遍使用的交叉熵损失函数，该函数在训练期间完全忽略了目标类别的出现频率，从而导致样本数量较少的目标类别准确率较低。通用机器学习中的类别不平衡问题已被广泛研究，但在目标检测领域却鲜少受到关注。本文中，我们提出通过将交叉熵损失的几种加权变体（例如平衡交叉熵、Focal Loss 和基于有效样本数的类别平衡损失）应用于我们的目标检测器，来探索并克服这一问题。在 BDD100K（一个高度类别不平衡的驾驶数据库，由车载摄像头采集，主要包含 Car 类目标以及 Bus、Person 和 Motor 等少数目标类别）上的实验证明，使用上述损失函数训练的检测器具有更好的分类别性能。
关键词
引用
@article{arxiv.2006.01413,
title = {Resolving Class Imbalance in Object Detection with Weighted Cross Entropy Losses},
author = {Trong Huy Phan and Kazuma Yamamoto},
journal= {arXiv preprint arXiv:2006.01413},
year = {2020}
}