Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax(CVPR20)

最新推荐文章于 2023-05-12 16:11:36 发布
最新推荐文章于 2023-05-12 16:11:36 发布
阅读量908 收藏 2
点赞数 2
分类专栏： 机器不学习 文章标签： 计算机视觉 深度学习 机器学习 long-tail 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/HowardEmily/article/details/107763346
版权
机器不学习 专栏收录该内容
24 篇文章 82 订阅 ¥59.90 ¥99.00
订阅专栏
本文提出了一种称为平衡组softmax（BAGS）的方法，旨在解决深度学习模型在长尾目标检测中的类别不平衡问题。通过将类别分组并独立计算组内的softmax交叉熵损失，BAGS能更好地平衡训练，减少了头部类别的主导作用，提高了尾部类别的检测性能。此外，通过引入'others'类别进行组间校准，减少了假阳性。实验表明，BAGS在LVIS数据集上取得了显著的改进。
摘要由CSDN通过智能技术生成

论文
代码
近几年，关于long-tailed或imbalanced problem在各个领域都受到持续关注，cvpr、iccv等会议也一直有关于相关问题的topic。最近，偶然读到了几篇关于解决该问题的比较有意思的文章，于是就简单记录一下。这篇文章BAGS是针对object detection中的long-tailed问题（LVIS 2019 challenge数据集），本人不是做cv的，但是实验中发现其迁移到其他imbalanced classification上同样适用。

Introduction

作者首先在detection框架中解耦了表示representation和分类模块，发现对于不同种类的proposal分类器的权重是严重不平衡的，因为low-shot类不能有很好的机会能够被激活。这是目标检测中long-tailed数据集上结果差的一个直接原因（因为数据不平衡）。如下图：

在这里插入图片描述

可以

了解本专栏 订阅专栏 解锁全文
Marcus-Bao
关注
专栏目录
订阅专栏
计算机视觉论文总结系列（一）：目标检测篇
专注大数据与人工智能技术分享，欢迎私信加群互相学习！
03-23 8353
本系列主要面向计算机视觉目标检测、图像分割及OCR等领域，每篇将对该领域论文等方面展开介绍，本篇主要介绍目标检测领域历年论文，希望大家能够多多交流如有错误请大家在评论区指正，如有侵权联系删除
Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax
HughZou的博客
06-09 469
BAGS；long-tail
【读论文0623】Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax
luochi9051的博客
06-23 317
读论文0623**题目**：[Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax](https://openaccess.thecvf.com/content_CVPR_2020/papers/Li_Overcoming_Classifier_Imbalance_for_Long-Tail_Object_Detection_With_Balanced_Group_CVPR_202
CVPR2020 Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax
Q1u1NG的博客
11-16 767
摘要 论文地址 利用基于深度学习的模型解决长尾大词汇量目标检测是一项具有挑战性和高要求的任务，但目前研究还不足。在本研究中，我们首次系统地分析了最先进的模型在长尾分布前的不足之处。我们发现，现有的检测方法在数据集严重倾斜时无法对few-shot类进行建模，这将导致分类器在参数量级上不平衡。 ...
Overcoming Classififier Imbalance for Long-tail Object Detection with Balanced Group Softmax 阅读笔记
read, note and comment papers
07-13 1041
这是CVPR2020的一篇文章，关于detection中的类别不平衡问题的解决方法 提出了一个新的softmax用于解决目标检测中的类不平衡问题 在类平衡数据集上表现很好的检测模型在类不平衡数据集上效果下降很严重，经过实验发现，分类器参数对不同类别的权重由于类不平衡而变得不平衡，导致对少见的类别的分数较小，因而容易将少见的类别误分类为多见的其它类别： 之所以出现这种原因是因为softmax会压制其它类别，因此domain类别很多的时候，对其它尾部类别压制很严重。 目前对长尾分布的目标检测的解决方法有： .
CVPR 2020 论文大盘点-目标检测篇
OpenCV中文网
06-19 2375
本文盘点CVPR 2020 所有目标检测相关论文，总计64篇论文，感觉最大的特点是3D目标检测研究工作很多有21篇，尤其是工业界单位，可能是自动驾驶热带来的。2D目标检测依然很热，神经架...
图像风格迁移cvpr2020_GitHub - wty2019/CVPR2020-Code: CVPR 2020 论文开源项目合集
weixin_39689297的博客
01-13 1012
CVPR2020-CodeCVPR 2020 论文开源项目合集，同时欢迎各位大佬提交issue，分享CVPR 2020开源项目关于往年CV顶会论文(如ECCV 2020、CVPR 2019、ICCV 2019)以及其他优质CV论文和大盘点，详见： https://github.com/amusi/daily-paper-computer-visionCNNExploring Self-attent...
长尾分布-Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax
dear_queen的博客
01-18 3621
Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax摘要介绍Introductionrelated workPreliminary and Analysis3.1. Preliminary 参考https://blog.csdn.net/sinat_17456165/article/details/106846747 论文地址：http://openaccess.thecvf.co
Overcoming Classifier Imbalance for Long-tail Object Detectionwith Balanced Group Softmax
weixin_43554214的博客
05-12 143
在训练过程中，将相似训练实例的类分组在一组，Softmax CE单独处理每个组，让他们在组内相互竞争，可以在训练期间将包含明显不同数量实例的类彼此隔离，尾部类分类器权重不会被头部类抑制。在方法分析的开头，同样是对比了平衡数据集到长尾数据集性能下降的现象，作者通过分析每个类别的分类器中训练实例数量和权重的关系发现，在不平衡数据集中，尾类对应的权重极小，因此尾类类别预测分数天生低于头类，所以在预测时偏向于选择头类而不是尾类。提出方法：BAGS，通过分组训练平衡检测框架内的分类器，调整头部和尾部训练的过程。
Overcoming Classifier Imbalance for Long-tail Object Detectionwith Balanced Group Softmax论文阅读
dtjun_sjtu的博客
10-13 218
Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax 通过group softmax克服目标检测中数据不均衡问题 可以用论文的一张图来概括核心思想 在训练时： 按照自己的数据集分布（数量分布or bbox的大小分布），将种类的分为n组，然后补上g0对前景和背景进行分类。 对各组进行softmax处理，然后分别进行损失计算。 预测时：...
论文阅读：《Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax》
qq_40310050的博客
12-28 2310
基于深度学习模型的长尾大词汇量对象检测是一项具有挑战性和高要求的任务，但仍未得到充分的研究。 在这项工作中，我们提供了第一个系统的分析，最先进的模型在长尾分布前的表现不佳。 我们发现，现有的检测方法在数据集极其倾斜的情况下无法建模少数类，这可能导致分类器在参数大小方面的不平衡。 由于检测和分类的本质区别，直接将长尾分类模型应用于检测框架并不能解决这一问题。 在本工作中，我们提出了一种新的平衡组 balanced group softmax(BAGS)模块，通过组明智训练来平衡检测框架中的分类器。 它隐式地调
cvpr20-long tail
Nico的博客
05-09 241
笔记，侵删，禁止转载。
Long-tailed Recognition (长尾问题)
热门推荐
连理o的博客
11-03 1万+
Ref: Long-Tailed Classification (1) 长尾 (不均衡) 分布下的分类问题简介 目录Long-Tailed Classification Long-Tailed Classification 长尾数据 在传统的分类和识别任务中，训练数据的分布往往都受到了人工的均衡，即不同类别的样本数量无明显差异。一个均衡的数据集固然大大简化了对算法鲁棒性的要求，也一定程度上保障了所得模型的可靠性，但随着关注类别的逐渐增加，维持各个类别之间均衡就将带来指数增长的采集成本 举个简单的例子.
Equalized Focal Loss for Dense Long Tailed Object Detection 论文解读
AI公园
08-30 1593
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”导读对Focal Loss做了改进，使之可以在一阶段物体检测器中适用于长尾分布数据集的场景。效果提升明显。摘要：最近的长尾目标检测的方法，都是用的2阶段的模式。而在实际的工业场景中，一阶段目标检测器是更常用的，应为它更加简单，更容易部署。但是，在长尾分布的场景中，这部分的工作并没有进行很深入的探索。本文，我们研究了是否一阶段的物体检测器也可...
Factors in Finetuning Deep Model for Object Detection with Long-tail
南有乔木NTU的博客
12-06 1933
Factors in Finetuning Deep Model for Object Detection with Long-tail论文下载地址 第一次看到Long-tail这个字眼是在一本经济学的书本上，由美国经济学家克里斯·安德森提出。最近看CVPR16看到一篇关于Long-tail的文章，看到名字就被吸引了（论文起一个好名字很重要），很想知道长尾理论在深度学习的finetunning中有
【论文阅读】【二维目标检测】Adaptive Class Suppression Loss for Long-Tail Object Detection
麒麒哈尔的博客
07-14 1557
文章目录motivationMethod 文章：Adaptive Class Suppression Loss for Long-Tail Object Detection 2021 CVPR，解决目标检测中的长尾问题。 2020 CVPR中也有几篇文章解决该问题，我写在了另外一篇博客中。 motivation 本文其实就是针对Equalization Loss for Long-Tailed Object Recognition的改动，对于这篇文章，我写在了另外一篇博客中。 在Equalization
应对长尾分布的目标检测 -- Balanced Group Softmax
XP and Altoria
05-19 2608
应对长尾分布的目标检测 – Balanced Group Softmax 文章目录应对长尾分布的目标检测 -- Balanced Group Softmax长尾分布的数据以往应对长尾分布的方法Balanced Group Softmax效果评估 这次给大家介绍一篇CVPR2020的文章，题为“Overcoming Classifier Imbalance for Long-tail Object Detection with Balanced Group Softmax”，主要解决目标检测中的长尾数据分布问
Capsule Networks for Computer Vision: A Survey翻译
最新发布
05-18
Capsule Networks for Computer Vision: A Survey 胶囊网络在计算机视觉中的应用：一篇综述 Abstract: 摘要： Capsule Networks (CapsNets)是一种新颖的深度神经网络架构，旨在克服传统卷积神经网络（CNNs）的一些限制，例如旋转不变性和视角不变性。Capsule Networks使用胶囊来表示图像或对象的各个特征，并且能够学习对象的姿态和空间关系。本文旨在提供对Capsule Networks的综述，重点介绍其在计算机视觉中的应用。我们首先介绍了Capsule Networks的基本原理和结构，并讨论了其与CNNs的区别。然后，我们概述了Capsule Networks在图像分类、目标检测、语义分割和图像生成等任务中的应用。接下来，我们总结了当前在Capsule Networks领域的最新研究进展，并讨论了该领域未来的发展方向。 Capsule Networks (CapsNets) are a novel deep neural network architecture aimed at overcoming some of the limitations of traditional Convolutional Neural Networks (CNNs), such as rotational and viewpoint invariance. Capsule Networks use capsules to represent various features of an image or object and are capable of learning the pose and spatial relationships of objects. This paper aims to provide a survey of Capsule Networks, with a focus on their applications in computer vision. We first introduce the basic principles and structure of Capsule Networks and discuss their differences with CNNs. Then, we outline the applications of Capsule Networks in tasks such as image classification, object detection, semantic segmentation, and image generation. Next, we summarize the latest research developments in the field of Capsule Networks and discuss future directions in this field.
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Marcus-Bao

万水千山总是情,只给五角行不行

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值