Equalization Loss v2: 長尾分布オブジェクト検出のための新しい勾配バランスアプローチ

最近提案された分離訓練手法が、長尾分布の物体検出において主要なパラダイムとして台頭しています。しかし、これらの手法は追加の微調整ステージを必要とし、表現と分類器の最適化が非連続的に行われることで、最適でない結果につながる可能性があります。一方、エンドツーエンドの訓練手法（例：等化損失（Equalization Loss: EQL））は、依然として分離訓練手法に劣っています。本論文では、長尾分布の物体検出における主な問題が正例と負例間の勾配の不均衡であることを明らかにし、EQLがこの問題を十分に解決していないことを指摘します。この勾配の不均衡問題に対処するため、新しいバージョンの等化損失である等化損失 v2 (EQL v2) を提案します。これは各カテゴリに対して独立かつ均等に訓練プロセスを再平衡化する革新的な勾配誘導型再重み付けメカニズムです。LVISベンチマークという難易度の高いデータセット上で広範な実験を行った結果、EQL v2は全体的なAP（平均精度）で元のEQLよりも約4ポイント上回り、稀少カテゴリでは14-18ポイントの改善が見られました。さらに重要なのは、EQL v2が分離訓練手法をも凌駕していることです。Open Imagesデータセットに対するさらなる調整なしでも、EQL v2はEQLよりも7.3ポイントAPを改善し、強力な汎化能力を示しています。コードは https://github.com/tztztztztz/eqlv2 で公開されています。