这篇论文是对 MMDet 团队参加今年7月份举办的 LVIS 2020 竞赛的技术报告 (LVIS2020-MMDet) 一个更加详细完善的阐述。在此之前，作者主要研究 COCO 这类均衡分布的目标检测数据集，并提出了一系列方法来提高检测精度（例如 Hybrid Task Cascade，Guided Anchoring，Libra R-CNN, CARAFE, Prime Sample Attention, Side-Aware Boundary Localization）。这次研究人员着眼于长尾分布的目标检测/实例分割数据集 LVIS v1.0, 指出了限制检测器在长尾分布数据上性能的一个关键原因：施加在尾部类别（tail class）上的正负样本梯度的比例是不均衡的。因此，作者提出 Seesaw Loss 来动态地抑制尾部类别上过量的负样本梯度，同时补充对误分类样本的惩罚。 Seesaw Loss 显著提升了尾部类别的分类准确率，进而为检测器在长尾数据集上的整体性能带来可观的增益。
- 论文名称：Seesaw Loss for Long-Tailed Instance Segmentation
- 论文链接：https://arxiv.org/abs/2008.10032
本文指出了尾部类别上的正负样本梯度的不平衡是影响长尾检测性能的关键因素之一。为了解决这个问题，本文提出了 Seesaw Loss 来针对性地调整施加在任意一个类别上的负样本梯度。给定一个尾部类别和一个相对更加高频的类别，高频类施加在尾部类上的负样本梯度将根据两个类别在训练过程中累计样本数的比值进行减弱。同时为了避免因负样本梯度减弱而增加的误分类的风险，Seesaw Loss 根据每个样本是否被误分类动态地补充负样本梯度。Seesaw Loss 有效地平衡了不同类别的正负样本梯度，提高了尾部类别的分类准确率，在长尾目标检测/实例分割数据集LVIS v1.0带来了上显著的性能提升。
感兴趣的可以戳链接。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢