重新审视目标检测中的损失权重调整
计算机视觉与模式识别
2022-03-18 v4 人工智能
摘要
目标检测是一种典型的多任务学习应用，其同时优化分类与回归。然而，在基于锚点的方法中，分类损失总是主导多任务损失，阻碍了任务的一致且均衡的优化。在本文中，我们发现平移边界框可改变分类中正样本与负样本的划分，意味着分类依赖于回归。此外，我们考虑不同数据集、优化器与回归损失函数，总结了关于微调损失权重的三个重要结论。基于上述结论，我们提出自适应损失权重调整(ALWA)，以根据损失的统计特性解决基于锚点方法中的优化不平衡问题。通过将ALWA融入先前最先进的检测器，我们在PASCAL VOC与MS COCO上取得了显著的性能提升，即便使用L1、SmoothL1与CIoU损失也是如此。代码见 https://github.com/ywx-hub/ALWA。
引用
@article{arxiv.2103.09488,
title = {Revisiting the Loss Weight Adjustment in Object Detection},
author = {Wenxin Yu and Xueling Shen and Jiajie Hu and Dong Yin},
journal= {arXiv preprint arXiv:2103.09488},
year = {2022}
}
备注
Incorrect description of content