要約
従来の検出器は、学習データの分布が著しく偏っている場合、不均衡な分類を行い、性能が低下する傾向があります。本論文では、訓練中に各カテゴリの分類精度を示すための平均分類スコアを使用することを提案します。この指標に基づいて、Equilibrium Loss (EBL) および Memory-augmented Feature Sampling (MFS) メソッドを用いて分類のバランスを取ることに焦点を当てています。具体的には、EBL は任意の2つのクラス間で設計されたスコアガイド損失マージンによって弱いクラスの決定境界の調整強度を高めます。一方、MFS は弱いクラスのインスタンス特徴量を過サンプリングすることで、弱いクラスの決定境界の調整頻度と精度を向上させます。したがって、EBL と MFS は長尾検出における分類均衡を見つけるために協調して働き、尾クラスの性能を大幅に向上させつつ、頭クラスの性能も維持または改善します。我々は LVIS データセットにおいて ResNet-50-FPN および ResNet-101-FPN を含む様々なバックボーンを使用した Mask R-CNN 上で実験を行い、提案手法の優位性を示しました。この手法は尾クラスの検出性能を 15.6 AP 改善し、最新の長尾オブジェクト検出器よりも 1 AP 以上優れています。コードは https://github.com/fcjian/LOCE から入手可能です。