Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax(CVPR20)

最新推荐文章于 2024-04-26 11:50:23 发布
最新推荐文章于 2024-04-26 11:50:23 发布
阅读量990 收藏 2
点赞数 2
分类专栏： 机器不学习 文章标签： 计算机视觉 深度学习 机器学习 long-tail 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/HowardEmily/article/details/107763346
版权
本文提出了一种称为平衡组softmax（BAGS）的方法，旨在解决深度学习模型在长尾目标检测中的类别不平衡问题。通过将类别分组并独立计算组内的softmax交叉熵损失，BAGS能更好地平衡训练，减少了头部类别的主导作用，提高了尾部类别的检测性能。此外，通过引入'others'类别进行组间校准，减少了假阳性。实验表明，BAGS在LVIS数据集上取得了显著的改进。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

论文
代码
近几年，关于long-tailed或imbalanced problem在各个领域都受到持续关注，cvpr、iccv等会议也一直有关于相关问题的topic。最近，偶然读到了几篇关于解决该问题的比较有意思的文章，于是就简单记录一下。这篇文章BAGS是针对object detection中的long-tailed问题（LVIS 2019 challenge数据集），本人不是做cv的，但是实验中发现其迁移到其他imbalanced classification上同样适用。

Introduction

作者首先在detection框架中解耦了表示representation和分类模块，发现对于不同种类的proposal分类器的权重是严重不平衡的，因为low-shot类不能有很好的机会能够被激活。这是目标检测中long-tailed数据集上结果差的一个直接原因（因为数据不平衡）。如下图：

在这里插入图片描述

可以

了解本专栏 订阅专栏 解锁全文
Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax
HughZou的博客
06-09 522
BAGS；long-tail
CVPR2020 Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax
Q1u1NG的博客
11-16 853
摘要 论文地址 利用基于深度学习的模型解决长尾大词汇量目标检测是一项具有挑战性和高要求的任务，但目前研究还不足。在本研究中，我们首次系统地分析了最先进的模型在长尾分布前的不足之处。我们发现，现有的检测方法在数据集严重倾斜时无法对few-shot类进行建模，这将导致分类器在参数量级上不平衡。 ...
【读论文0623】Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax
luochi9051的博客
06-23 381
读论文0623**题目**：[Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax](https://openaccess.thecvf.com/content_CVPR_2020/papers/Li_Overcoming_Classifier_Imbalance_for_Long-Tail_Object_Detection_With_Balanced_Group_CVPR_202
Overcoming Classififier Imbalance for Long-tail Object Detection with Balanced Group Softmax 阅读笔记
read, note and comment papers
07-13 1098
这是CVPR2020的一篇文章，关于detection中的类别不平衡问题的解决方法 提出了一个新的softmax用于解决目标检测中的类不平衡问题 在类平衡数据集上表现很好的检测模型在类不平衡数据集上效果下降很严重，经过实验发现，分类器参数对不同类别的权重由于类不平衡而变得不平衡，导致对少见的类别的分数较小，因而容易将少见的类别误分类为多见的其它类别： 之所以出现这种原因是因为softmax会压制其它类别，因此domain类别很多的时候，对其它尾部类别压制很严重。 目前对长尾分布的目标检测的解决方法有： .
Long tailed 长尾分布论文汇总
adf1179的博客
04-14 6816
什么是长尾分布？ 长期以来研究人员做图像、文本分类时使用的大多是均衡数据集：MNIST， CIFAR 10， CIFAR 100等，但是现实生活中的数据分布是非常不均衡的。有的类会占绝大多数，有的类别却很少出现。如果对这种分布不加以考虑，会导致尾部类别（tail）的预测结果受到很大影响，会严重的偏向头部类（head），如图所示： 目前对于长尾分布已经有很多工作去优化、考虑，在这里对最近自己看的论文进行总结。 计算机视觉 Class-Balanced Loss Based on Effective Num
CVPR 2020 论文大盘点-目标检测篇
OpenCV中文网
06-19 2558
本文盘点CVPR 2020 所有目标检测相关论文，总计64篇论文，感觉最大的特点是3D目标检测研究工作很多有21篇，尤其是工业界单位，可能是自动驾驶热带来的。2D目标检测依然很热，神经架...
图像风格迁移cvpr2020_GitHub - wty2019/CVPR2020-Code: CVPR 2020 论文开源项目合集
weixin_39689297的博客
01-13 1155
CVPR2020-CodeCVPR 2020 论文开源项目合集，同时欢迎各位大佬提交issue，分享CVPR 2020开源项目关于往年CV顶会论文(如ECCV 2020、CVPR 2019、ICCV 2019)以及其他优质CV论文和大盘点，详见： https://github.com/amusi/daily-paper-computer-visionCNNExploring Self-attent...
长尾分布-Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax
dear_queen的博客
01-18 3815
Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax摘要介绍Introductionrelated workPreliminary and Analysis3.1. Preliminary 参考https://blog.youkuaiyun.com/sinat_17456165/article/details/106846747 论文地址：http://openaccess.thecvf.co
Overcoming Classifier Imbalance for Long-tail Object Detectionwith Balanced Group Softmax
weixin_43554214的博客
05-12 192
在训练过程中，将相似训练实例的类分组在一组，Softmax CE单独处理每个组，让他们在组内相互竞争，可以在训练期间将包含明显不同数量实例的类彼此隔离，尾部类分类器权重不会被头部类抑制。在方法分析的开头，同样是对比了平衡数据集到长尾数据集性能下降的现象，作者通过分析每个类别的分类器中训练实例数量和权重的关系发现，在不平衡数据集中，尾类对应的权重极小，因此尾类类别预测分数天生低于头类，所以在预测时偏向于选择头类而不是尾类。提出方法：BAGS，通过分组训练平衡检测框架内的分类器，调整头部和尾部训练的过程。
Overcoming Classifier Imbalance for Long-tail Object Detectionwith Balanced Group Softmax论文阅读
dtjun_sjtu的博客
10-13 257
Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax 通过group softmax克服目标检测中数据不均衡问题 可以用论文的一张图来概括核心思想 在训练时： 按照自己的数据集分布（数量分布or bbox的大小分布），将种类的分为n组，然后补上g0对前景和背景进行分类。 对各组进行softmax处理，然后分别进行损失计算。 预测时：...
论文阅读：《Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax》
qq_40310050的博客
12-28 2411
基于深度学习模型的长尾大词汇量对象检测是一项具有挑战性和高要求的任务，但仍未得到充分的研究。 在这项工作中，我们提供了第一个系统的分析，最先进的模型在长尾分布前的表现不佳。 我们发现，现有的检测方法在数据集极其倾斜的情况下无法建模少数类，这可能导致分类器在参数大小方面的不平衡。 由于检测和分类的本质区别，直接将长尾分类模型应用于检测框架并不能解决这一问题。 在本工作中，我们提出了一种新的平衡组 balanced group softmax(BAGS)模块，通过组明智训练来平衡检测框架中的分类器。 它隐式地调
BAGS：Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax
qihshe的博客
04-26 804
本文探讨了在深度学习模型中解决长尾大型词汇物体检测的问题。作者发现现有的检测方法无法处理极度倾斜的数据集中的少数类别的问题，导致分类器不平衡。直接将长尾分类模型应用到检测框架中并不能解决问题，因为检测和分类之间存在本质差异。为了解决这个问题，作者提出了一个新颖的平衡组softmax（BAGS）模块，通过分组训练来平衡检测框架中的分类器。该模块可以对头部和尾部类别进行隐式调节，并确保它们都得到充分训练，而无需额外采样来自尾部类别的实例。
cvpr20-long tail
Nico的博客
05-09 293
笔记，侵删，禁止转载。
Long-tailed Recognition (长尾问题)
热门推荐
连理o的博客
11-03 2万+
Ref: Long-Tailed Classification (1) 长尾 (不均衡) 分布下的分类问题简介 目录Long-Tailed Classification Long-Tailed Classification 长尾数据 在传统的分类和识别任务中，训练数据的分布往往都受到了人工的均衡，即不同类别的样本数量无明显差异。一个均衡的数据集固然大大简化了对算法鲁棒性的要求，也一定程度上保障了所得模型的可靠性，但随着关注类别的逐渐增加，维持各个类别之间均衡就将带来指数增长的采集成本 举个简单的例子.
Equalized Focal Loss for Dense Long Tailed Object Detection 论文解读
AI公园
08-30 1800
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”导读对Focal Loss做了改进，使之可以在一阶段物体检测器中适用于长尾分布数据集的场景。效果提升明显。摘要：最近的长尾目标检测的方法，都是用的2阶段的模式。而在实际的工业场景中，一阶段目标检测器是更常用的，应为它更加简单，更容易部署。但是，在长尾分布的场景中，这部分的工作并没有进行很深入的探索。本文，我们研究了是否一阶段的物体检测器也可...
Factors in Finetuning Deep Model for Object Detection with Long-tail
南有乔木NTU的博客
12-06 2002
Factors in Finetuning Deep Model for Object Detection with Long-tail论文下载地址 第一次看到Long-tail这个字眼是在一本经济学的书本上，由美国经济学家克里斯·安德森提出。最近看CVPR16看到一篇关于Long-tail的文章，看到名字就被吸引了（论文起一个好名字很重要），很想知道长尾理论在深度学习的finetunning中有
【论文阅读】【二维目标检测】Adaptive Class Suppression Loss for Long-Tail Object Detection
麒麒哈尔的博客
07-14 1669
文章目录motivationMethod 文章：Adaptive Class Suppression Loss for Long-Tail Object Detection 2021 CVPR，解决目标检测中的长尾问题。 2020 CVPR中也有几篇文章解决该问题，我写在了另外一篇博客中。 motivation 本文其实就是针对Equalization Loss for Long-Tailed Object Recognition的改动，对于这篇文章，我写在了另外一篇博客中。 在Equalization
应对长尾分布的目标检测 -- Balanced Group Softmax
XP and Altoria
05-19 2776
应对长尾分布的目标检测 – Balanced Group Softmax 文章目录应对长尾分布的目标检测 -- Balanced Group Softmax长尾分布的数据以往应对长尾分布的方法Balanced Group Softmax效果评估 这次给大家介绍一篇CVPR2020的文章，题为“Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax”，主要解决目标检测中的长尾数据分布问
CVPR2024 3D语义分割
最新发布
01-23
### CVPR2024 Conference Papers on 3D Semantic Segmentation As of the current date, specific details about papers accepted to CVPR 2024 are not publicly available since the conference has yet to occur and paper acceptance notifications have likely not been finalized or released. However, based on trends from previous years such as those highlighted in research focusing on depth projection for 3D semantic segmentation[^1], cross-dataset collaborative learning approaches for improving model generalization across different datasets[^2], and instance segmentation methods like SoftGroup that operate effectively on point clouds[^3], one can anticipate several key areas where advancements might be reported at CVPR 2024. #### Expected Research Directions - **Enhanced Multi-modal Fusion Techniques**: Integrating data from various sources (e.g., RGB images, LiDAR scans) could lead to more robust models capable of handling diverse environments. - **Improved Network Architectures**: Innovations in neural network design specifically tailored towards processing volumetric data may yield better performance metrics while reducing computational overhead. - **Advanced Training Strategies**: Novel training paradigms incorporating self-supervised learning, meta-learning, or transfer learning techniques aimed at overcoming challenges associated with limited labeled data sets will continue to evolve. - **Real-time Applications**: Efforts toward developing real-time systems suitable for autonomous driving applications would focus on optimizing inference speed without compromising accuracy. For staying updated with the latest developments related to 3D semantic segmentation expected to appear at CVPR 2024: - Monitor official channels including social media platforms linked directly to IEEE/CVF conferences. - Subscribe to newsletters provided by leading institutions involved in computer vision research. - Participate actively within relevant online communities dedicated to discussing cutting-edge technologies in this field.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Marcus-Bao

万水千山总是情,只给五角行不行

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值