摘要
我们提出了一种统一、有界、平衡且基于排序的损失函数——平均定位-召回-精度（aLRP），适用于目标检测中的分类与定位任务。aLRP 借鉴了平均精度（AP）损失（AP Loss）将精度推广为基于排序的损失函数的思想（Chen et al., 2020），并扩展了原有的定位-召回-精度（LRP）性能指标（Oksuz et al., 2018），从而为分类与定位任务提供了一致的优化目标。aLRP 具有以下显著优势：（i）aLRP 是首个同时适用于分类与定位任务的基于排序的损失函数；（ii）由于在两类任务中均采用排序机制，aLRP 天然促使高精度分类对应高质量的定位结果；（iii）aLRP 在正负样本之间提供了可证明的平衡性；（iv）相较于当前先进检测器中平均约 6 个超参数的损失函数，aLRP 损失函数仅包含一个超参数，且在实际应用中无需进行调优。在 COCO 数据集上，aLRP 损失相较于其基于排序的前驱方法 AP Loss，性能提升高达约 5 个 AP 点，无需测试时增强即可达到 48.9 的 AP，超越了所有单阶段检测器。代码已开源：https://github.com/kemaloksuz/aLRPLoss。