【论文阅读】【二维目标检测】Adaptive Class Suppression Loss for Long-Tail Object Detection

最新推荐文章于 2023-12-20 10:47:21 发布
原创 最新推荐文章于 2023-12-20 10:47:21 发布 · 1.7k 阅读 · 8 ·
CC 4.0 BY-SA版权
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。

2021年CVPR会议上的一篇论文提出了一种适应性类别抑制损失（Adaptive Class Suppression Loss），旨在解决目标检测中的长尾问题。与Equalization Loss不同，该方法不再人为划分头类和长尾类，而是通过sigmoid处理所有类别的预测得分，以减少头类对长尾类的压制。通过自适应地调整不同类别的损失权重，提高对易混淆类别的区分能力。

文章目录

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

在这里插入图片描述

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 Loss中，提出了在head中的类别进行分类时，忽略分类loss对long tail中的类别的梯度回传，从而减少压制

本文的出发点有两个：

  • 人为的将类别分成head和long tail两组，会造成训练的不连续性。尤其是在划分head和long tail的分界线周围的一些类别。
  • 不能有效的区分head和long tail中相似的类别，因为在Equalization Loss中，sunglasses这个的分类损失梯度不传到eye mask中。

Method

与Equalization Loss一样，为了long tail中的类别不被压制，就需要减少head类别的分类loss的梯度回传。

本文提出，也不区分是不是head的类别了。对于一个数据集有C个类别，对于一个sample

最低0.47元/天 解锁文章
【CVPR 2021】解决目标检测长尾分布：Adaptive Class Suppression Loss for Long-Tail Object Detection
梁瑛平的博客
07-10 2190
本文设计了一种新的自适应类抑制损失（ACSL）来有效地解决目标检测长尾分布问题，提高了尾类的检测性能。具体来说，本文引入了一个无需统计的方法来分析长尾分布，从而打破了手工分组的局限性。 根据这一观点，本文的 ACSL 自适应地调整了每个类别的每个样本的抑制梯度，确保了训练的一致性，并提高了对罕见类别的区分。......
论文阅读 Adaptive Class Suppression Loss for Long-Tail Object Detection 翻译
qq_40310050的博客
10-20 1926
这一篇也是关于解决对长尾条件下的目标检测。 我觉得与《Focal loss》相似，都是在交叉熵损失函数上进行了优化。 CVPR2021 链接: 论文链接. 代码：链接: 开源代码. 提出了一种新的动态类别抑制损失 ACSL 摘要 针对大词汇量目标检测任务的长尾分布问题，现有的方法通常将整个类别划分为若干组，并对每组采用不同的策略进行处理。这些方法带来了以下两个问题。一个是相似大小的相邻类别之间的训练不一致，另一个是学习模型缺乏对尾部类别的区分，尾部类别在语义上与头部类别相似。本文设计了一种新的自适应类抑制损
复现Adaptive Class Suppression Loss for Long-Tail Object Detection论文问题总结
weixin_43700493的博客
09-10 536
复现Adaptive Class Suppression Loss for Long-Tail Object Detection论文问题总结 首先是Adaptive Class Suppression Loss for Long-Tail Object Detection这篇论文所要求的环境 首先一开始使用的是之前的环境,所以torch版本和cuda版本都不一样,然后在进行 编译的时候总是报错(不知道是不是torch版本什么的问题 所以建议新建一个环境) 然后创建新环境,安装mmcv-0.2.14 一开始
Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax(CVPR20)
weixin_43489950的博客
10-02 930
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 det...
Equalization Loss v2: A New Gradient Balance Approach for Long-tailed Object Detection
阿木寺的博客
12-20 1029
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，并提出均衡损失(equalization loss)v2 表现SOTA！性能优于BAGS、Forest R-CNN等网络，代码即将开源！ 注：文末附【目标检测】学习交流群 Equalization Loss v2: A New Gradient Balance Approach for Long-tailed Object Detection 作者单位：同济大学, 商汤科技, 清华大学 论文：https://arxiv.org/abs/2012.0
论文阅读＜MULTISCALE DOMAIN ADAPTIVE YOLO FOR CROSS-DOMAIN OBJECT DETECTION＞
yrhzmu的博客
12-20 1521
域适应领域在解决许多应用中遇到的域迁移问题方面发挥了重要作用。这个问题是由于用于训练的源数据分布与实际测试场景中使用的目标数据分布之间的差异造成的。本文提出了一种新的多尺度域自适应YOLO ( MultiScale Domain Adaptive YOLO，MS-DAYOLO )框架，该框架在最近引入的YOLOv4目标检测器的不同尺度上使用多个域适应路径和相应的域分类器来生成域不变特征。我们使用流行的数据集来训练和测试我们提出的方法。
【论文阅读】【二维目标检测】Revisiting Feature Alignment for One-stage Object Detection
麒麒哈尔的博客
10-24 1801
文章目录AlignDetPilot ExperimentRoIconvIm2Col & RoIAlignRoIconvAlignDet实验作者在知乎上的回答 该论文解决在one-stage模型中的feature与proposal不匹配的问题，论文的研究的问题，研究的思路在文章中已经解释的非常好。 AlignDet 作者提到了One Stage模型的一个问题是，当使用多个anchor时，同样...
Overcoming Classififier Imbalance for Long-tail Object Detection with Balanced Group Softmax 阅读笔记
read, note and comment papers
07-13 1134
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： .
Factors in Finetuning Deep Model for Object Detection with Long-tail
南有乔木NTU的博客
12-06 2029
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
Factors in Finetuning Deep Model for Object Detection with Long-tail Distribution解读
ForLearning
04-15 2065
微调已经在很多视觉任务上都有一个state-of-art的performance，比如说追踪，分割，物体检测，动作识别等等。但是不同的微调方法对结果也是不一样的，这篇论文主要探索了物体检测上微调中对performance的影响因素。经验和分析结果都告诉我们有更多样本的类对feature learning的影响是更大的，因此最好是能够把样本分布均匀。提出一种层级的feature learning
Equalized Focal Loss for Dense Long Tailed Object Detection 论文解读
AI公园
08-30 1948
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...
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.
论文笔记：ALA loss：Adaptive Logit Adjustment Loss for Long-Tailed Visual Recognition
m0_57459724的博客
08-02 1383
Adaptive Logit Adjustment Loss for Long-Tailed Visual Recognition
论文阅读Adaptive Logit Adjustment Loss for Long-Tailed Visual Recognition
qq_40310050的博客
05-30 1490
AAAI 2022 论文：https://arxiv.org/pdf/2104.06094v2.pdf 摘要 现实世界中的数据往往呈现出长尾标签分布，这对视觉识别中的神经网络训练提出了巨大挑战。 现有方法主要从数据量的角度来解决这个问题，即每个类中的样本数。具体来说，他们更关注尾类，比如对 logit 进行更大的调整。 然而，在训练过程中，数据的数量和难度是两个相互交织、同样至关重要的问题。对于一些尾类来说，它们的实例的特征是鲜明的，有判别力的，也能带来满意的准确率；对于一些头类，虽然有足够的样本，但与其他
论文阅读：《Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax》
qq_40310050的博客
12-28 2479
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
cvpr20-long tail
Nico的博客
05-09 315
笔记，侵删，禁止转载。
CVPR 2020-Object Detection
John's Blogs
06-24 2004
2D目标检测 Large-Scale Object Detection in the Wild From Imbalanced Multi-Labels Rethinking Classification and Localization for Object Detection Code：https://github.com/wuyuebupt/doubleheadsrcnn Multiple Anchor Learning for Visual Object Detection Code：
长尾理论（The Long Tail）
GeneralYY0的专栏
11-30 3499
来自百度百科 长尾理论（The Long Tail）是网络时代兴起的一种新理论，由美国人克里斯·安德森提出。长尾理论认为，由于成本和效率的因素，当商品储存流通展示的场地和渠道足够宽广，商品生产成本急剧下降以至于个人都可以进行生产，并且商品的销售成本急剧降低时，几乎任何以前看似需求极低的产品，只要有卖，都会有人买。这些需求和销量不高的产品所占据的共同市场份额，可以和主流产品的市场份额 相比，甚
CoreNet: Conflict Resolution Network for point-pixel misalignment and sub-task suppression of 3D LiDAR-camera object detection
最新发布
06-19
### CoreNet网络在解决3D LiDAR-camera物体检测中的点像素错位和子任务抑制问题 CoreNet是一种专门设计用于解决多模态传感器融合（如LiDAR和相机）中常见问题的网络架构。以下是其针对点像素错位和子任务抑制问题的具体方案： #### 1. 点像素错位问题 点像素错位是由于LiDAR点云数据和相机图像数据之间的几何对齐不精确所导致的问题。CoreNet通过引入一种自适应的空间对齐模块来缓解这一问题[^1]。该模块利用深度学习技术估计LiDAR点云与相机图像之间的空间变换关系，从而实现更精确的跨模态特征对齐。 此外，CoreNet还采用了注意力机制来动态调整不同模态特征的重要性权重。这种机制能够有效减少因错位导致的信息丢失或误匹配问题[^2]。 ```python # 示例代码：自适应空间对齐模块的核心逻辑 def adaptive_spatial_alignment(lidar_points, camera_image): # 计算点云与图像之间的初始对齐矩阵 alignment_matrix = estimate_alignment_matrix(lidar_points, camera_image) # 应用对齐矩阵进行特征映射 aligned_features = apply_transformation(lidar_points, alignment_matrix) return aligned_features ``` #### 2. 子任务抑制问题 子任务抑制是指在多任务学习框架中，某些任务可能因为其复杂度较低或数据分布特性而被模型优先关注，从而导致其他重要任务的表现下降。CoreNet通过设计一种冲突解析网络（Conflict Resolution Network, CRN）来解决这一问题[^3]。 CRN的核心思想是为每个子任务分配独立的特征通道，并通过跨任务通信机制动态调整各任务之间的资源分配。具体而言，CRN会根据任务间的依赖关系构建一个任务图，并利用图神经网络（Graph Neural Network, GNN）优化任务间的协作效率[^4]。 ```python # 示例代码：冲突解析网络的核心逻辑 import torch.nn as nn class ConflictResolutionNetwork(nn.Module): def __init__(self, num_tasks): super(ConflictResolutionNetwork, self).__init__() self.task_graph = build_task_dependency_graph(num_tasks) self.gnn = GraphNeuralNetwork() def forward(self, task_features): # 构建任务间的关系矩阵 task_relations = compute_task_relations(task_features, self.task_graph) # 使用GNN优化任务间的协作 optimized_features = self.gnn(task_features, task_relations) return optimized_features ``` #### 总结 CoreNet通过自适应空间对齐模块解决了点像素错位问题，同时借助冲突解析网络缓解了子任务抑制问题。这些创新性设计使得CoreNet在网络性能和鲁棒性方面均表现出色[^5]。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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
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