EQ-Loss V2 | 利用梯度平均进一步缓解目标检测长尾数据分布问题

最近提出的解耦训练方法成为长尾目标检测的主要范式。但是它们需要一个额外的微调阶段，并且表示和分类器的脱节优化可能导致次优结果。但是，端到端的训练方法，例如均衡损失（EQL），仍然比解耦的训练方法更差。

本文揭示了长尾目标检测中的主要问题是正负之间的梯度不平衡，并且发现EQL不能很好地解决它。为了解决梯度不平衡的问题，本文引入了一种新版本的均衡损失，称为Equalization Loss v2（EQL v2），这是一种新颖的梯度引导Re-Weighing机制，可以独立且均等地重新平衡每个类别的训练过程。

在具有挑战性的LVIS基准上进行了广泛的实验。EQL v2在整体AP方面比原始EQL高出约4个百分点，在稀有类别上提高了14-18个百分点。更重要的是，它还超越了分离训练方法。EQL v2无需进一步调整Open Images数据集，便将EQL提高了6.3个点的AP，显示了其强大的泛化能力。