Une fonction de perte équilibrée fondée sur le classement unifiant la classification et la localisation dans la détection d'objets

Nous proposons aLRP (Average Localisation-Recall-Precision), une fonction de perte unifiée, bornée, équilibrée et basée sur le classement pour les tâches de classification et de localisation en détection d'objets. aLRP étend le métrique de performance Localisation-Recall-Precision (LRP) (Oksuz et al., 2018), inspirée du principe selon lequel la perte Average Precision (AP Loss) généralise la précision en une fonction de perte basée sur le classement pour la classification (Chen et al., 2020). aLRP présente les avantages distincts suivants : (i) aLRP est la première fonction de perte basée sur le classement à traiter simultanément les tâches de classification et de localisation. (ii) Grâce à l’utilisation du classement pour les deux tâches, aLRP impose naturellement une localisation de haute qualité pour les classifications à haute précision. (iii) aLRP garantit un équilibre prouvé entre les exemples positifs et négatifs. (iv) Contrairement aux fonctions de perte des détecteurs de pointe, qui comportent en moyenne environ 6 hyperparamètres, aLRP n’en possède qu’un seul, que nous n’avons pas ajusté en pratique. Sur le jeu de données COCO, aLRP améliore sa prédécesseur basée sur le classement, AP Loss, de près de 5 points AP, atteint un score de 48,9 AP sans augmentation à l’étape de test, et dépasse tous les détecteurs à une seule phase. Le code est disponible à l’adresse : https://github.com/kemaloksuz/aLRPLoss.