面向实例识别的平衡学习
计算机视觉与模式识别
2021-08-24 v1
摘要
随着各种深度卷积神经网络的发展，实例识别技术取得了快速进步。与网络架构相比，对检测器成功同样至关重要的训练过程受到的关注相对较少。在这项工作中，我们仔细回顾了检测器的标准训练实践，发现检测性能常常受到训练过程中不平衡问题的限制，这种不平衡通常体现在三个层面——样本层面、特征层面和目标层面。为了减轻由此带来的不利影响，我们提出了 Libra R-CNN，一个简单而有效的面向实例识别平衡学习的框架。它集成了 IoU 平衡采样、平衡特征金字塔和目标重加权，分别用于减少样本、特征和目标层面的不平衡。在 MS COCO、LVIS 和 Pascal VOC 数据集上进行的大量实验证明了整体平衡设计的有效性。
引用
@article{arxiv.2108.10175,
title = {Towards Balanced Learning for Instance Recognition},
author = {Jiangmiao Pang and Kai Chen and Qi Li and Zhihai Xu and Huajun Feng and Jianping Shi and Wanli Ouyang and Dahua Lin},
journal= {arXiv preprint arXiv:2108.10175},
year = {2021}
}
备注
Accepted by IJCV. Journal extension of paper arXiv:1904.02701