提出了一种新的损失函数Rank&Sort Loss (RSLoss)，用于改进目标检测和实例分割任务中的模型性能。该方法通过确保每个正样本的得分高于所有负样本，并依据连续局部质量对正样本进行排序来实现这一目标。实验表明，使用RSLoss训练的Faster-RCNN及Mask R-CNN模型均显著优于基线方法。
AMiner论文推荐：
作者提出了基于排名的损失函数Rank&Sort (RS) Loss来训练对象检测和实例分割模型。RS Loss监督分类器，将每个正例高于所有负例，并且根据他们的连续局部质量来给正例排名。作者仅通过调整学习率来训练若干个不同的检测模型（1）Faster-RCNN和 aLRP Loss （2）带有重复性采样的Mask R-CNN，均超越了原本的baseline方法。
论文名称：Rank & Sort Loss for Object Detection and Instance Segmentation
论文链接：https://www.aminer.cn/pub/60ff9e095244ab9dcb022726?f=csdn
AMiner，让AI帮你理解科学！
917
760
551
博客
940
785
875
博客
955
1573
1236
1103
765
1040
640
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
扫一扫
