本文详细介绍了ECCV 2020大规模实例分割挑战赛（LVIS Challenge）冠军方案，该方案来自同济大学、清华大学和商汤科技的lvisTraveler团队。团队采用了Mask-RCNN + HTC作为基线模型，并通过Equalization Loss、Repeat Factor Sampling、自训练策略和创新的mask特征分配方法来应对数据集的长尾分布和不均衡问题。在微调阶段，他们提出了Classifier Balance和Balanced Mask Loss，解决了细长类别实例的分割挑战。最终，这些策略帮助团队赢得了比赛的第一名。
本文介绍 ECCV 2020 大规模实例分割挑战赛（LVIS Challenge）冠军方案，来自冠军团队 lvisTraveler 官方发布的报告：1st Place Solution of LVIS Challenge 2020: A Good Box is not a Guarantee of a Good Mask。
作者来自同济大学、清华大学、商汤科技。
该报告很短，除实验部分和参考文献后只有三页，但很具有启发性。
因为是算法比赛，所以该报告的重点是针对数据集提出问题，设计方案。尽管是针对数据设计算法，但因为该数据集很大，所以所提出的方案也均有普遍的参考价值。
LVIS Challenge 的特点：数据集很大，类别多（1200+类别），各类别分布不平衡长尾效应明显，另外mask标注很精细（超过200万个高质量实例分割标注）。
作者使用的算法基线：Mask-RCNN + HTC。
了解算法原理和开源实现请点击这里：
最低0.47元/天 解锁文章
扫一扫
1300
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
