Equalization Loss v2：一种新的梯度平衡方法用于长尾目标检测

最近提出的解耦训练方法已成为长尾目标检测中的主导范式。然而，这些方法需要额外的微调阶段，且表示和分类器的分离优化可能导致次优结果。尽管如此，端到端训练方法（如均衡损失（EQL））的表现仍不如解耦训练方法。在本文中，我们揭示了长尾目标检测的主要问题是正样本和负样本之间的梯度不平衡，并发现EQL未能很好地解决这一问题。为了解决梯度不平衡的问题，我们引入了一种新的均衡损失版本，称为均衡损失v2（EQL v2），这是一种新颖的梯度引导重加权机制，能够独立且平等地重新平衡每个类别的训练过程。我们在具有挑战性的LVIS基准上进行了广泛的实验。结果显示，EQL v2在整体平均精度（AP）上比原始EQL提高了约4个百分点，在罕见类别上的改进幅度达到14-18个百分点。更重要的是，它还超越了解耦训练方法。在未对Open Images数据集进行进一步调优的情况下，EQL v2将EQL的AP提高了7.3个百分点，显示出强大的泛化能力。代码已发布在 https://github.com/tztztztztz/eqlv2