基于Gumbel优化损失的长尾实例分割

近年来，目标检测与分割领域取得了重大进展。然而，在处理稀有类别时，现有最先进方法的表现依然不佳，导致稀有类别与常见类别之间存在显著的性能差距。本文指出，深度检测器中广泛使用的Sigmoid或Softmax函数是造成性能低下的主要原因，且在长尾分布的检测与分割任务中并非最优选择。为此，我们提出了一种面向长尾检测与分割的Gumbel优化损失函数（Gumbel Optimized Loss, GOL）。该方法基于长尾数据集中稀有类别服从Gumbel分布的特性，充分考虑了绝大多数类别在长尾分布下具有较低期望概率这一现实。实验结果表明，所提出的GOL在LVIS数据集上相较于当前最优方法，平均精度（AP）提升了1.1%；在整体分割性能上提升9.0%，检测性能提升8.0%，尤其在稀有类别检测方面，相比Mask-RCNN提升了20.3%。相关代码已开源，地址为：https://github.com/kostas1515/GOL。