面向长尾实例分割的 Seesaw 损失
计算机视觉与模式识别
2021-06-18 v4
摘要
实例分割在类别平衡基准上取得了显著进展。然而，在类别分布自然呈长尾的真实场景里，其表现并不准确。长尾数据集中头部类实例占主导，并作为尾部类的负样本。负样本对尾部类的压倒性梯度导致分类器的偏置学习过程。因此，尾部类物体更易被误分类为背景或头部类。为解决此问题，我们提出 Seesaw 损失，通过两个互补因子即缓解因子与补偿因子，动态重平衡每类的正负样本梯度。缓解因子依据不同类别间累计训练实例之比，减少对尾部类的惩罚。同时，补偿因子增加对误分类实例的惩罚以避免尾部类的假阳性。我们在主流框架与不同数据采样策略下对 Seesaw 损失进行了大量实验。借助简单端到端训练流程，Seesaw 损失相较交叉熵损失获得显著提升，并在 LVIS 数据集上无需额外技巧即达到最先进性能。代码见 https://github.com/open-mmlab/mmdetection。
引用
@article{arxiv.2008.10032,
title = {Seesaw Loss for Long-Tailed Instance Segmentation},
author = {Jiaqi Wang and Wenwei Zhang and Yuhang Zang and Yuhang Cao and Jiangmiao Pang and Tao Gong and Kai Chen and Ziwei Liu and Chen Change Loy and Dahua Lin},
journal= {arXiv preprint arXiv:2008.10032},
year = {2021}
}
备注
CVPR 2021 Camera Ready