论文标题： Towards Balanced Learning for Instance Recognition 

论文链接：https://arxiv.org/abs/2108.10175

代码链接：https://github.com/open-mmlab/mmdetection

作者单位：浙江大学 & 香港中文大学 & 商汤科技

实例识别随着各种深度卷积神经网络的发展而迅速发展。与网络架构相比，对检测器成功也至关重要的训练过程受到的关注相对较少。在这项工作中，我们仔细重新审视了检测器的标准训练实践，发现检测性能往往受到训练过程中不平衡的限制，通常包括三个层次——样本层次、特征层次和目标层次。为了减轻由此造成的不利影响，我们提出了 Libra R-CNN，这是一个简单而有效的框架，用于平衡学习，例如识别。它集成了 IoU 平衡采样、平衡特征金字塔和目标重新加权，分别用于减少样本、特征和目标级别的不平衡。在 MS COCO、LVIS 和 Pascal VOC 上进行了大量实验数据集证明了整体平衡设计的有效性。

 

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