Equalization Loss v2: 장기 꼬리 객체 검출을 위한 새로운 그래디언트 균형 접근법

최근 제안된 분리 훈련 방법이 긴 꼬리 객체 검출에서 주요 패러다임으로 부상하고 있습니다. 그러나 이러한 방법들은 추가적인 미세 조정 단계가 필요하며, 표현과 분류기의 독립적인 최적화 과정이 비최적 결과를 초래할 수 있다는 문제점이 있습니다. 한편, 엔드투엔드 훈련 방법(예: 균형화 손실(EQL))은 여전히 분리 훈련 방법보다 성능이 떨어집니다. 본 논문에서는 긴 꼬리 객체 검출에서 주요 이슈가 양성 샘플과 음성 샘플 간의 불균형한 그래디언트임을 밝히고, EQL이 이를 충분히 해결하지 못한다는 사실을 발견하였습니다. 이러한 그래디언트 불균형 문제를 해결하기 위해, 각 카테고리를 독립적으로 그리고 동등하게 재조정하는 새로운 그래디언트 안내 재가중 메커니즘을 도입한 균형화 손실의 개선된 버전인 EQL v2를 소개합니다. 우리는 도전적인 LVIS 벤치마크에서 광범위한 실험을 수행하였으며, EQL v2는 전체 AP에서 약 4포인트, 드문 카테고리에서는 14-18포인트 개선하여 원래 EQL보다 우수한 성능을 보였습니다. 더욱 중요한 점은 EQL v2가 분리 훈련 방법들을 능가한다는 것입니다. 오픈 이미지 데이터셋에 대한 추가 조정 없이도, EQL v2는 EQL보다 7.3포인트 AP를 개선했습니다. 이는 강력한 일반화 능력을 보여줍니다. 코드는 https://github.com/tztztztz/eqlv2 에 공개되었습니다.