本文针对目标检测中分布不均衡问题,提出了一个梯度均衡策略改善模型性能,被AAAI2019收录为oral。
论文下载:https://arxiv.org/abs/1811.05181v1
github代码地址:https://github.com/libuyu/GHM_Detection
单阶段(one-stage)的目标检测模型存在类别不平衡问题,具体可参考我的另一篇博客文章,也是讨论此问题且同样给出了一种loss改进方法,focal loss,地址https://blog.csdn.net/qq_35153620/article/details/90047919
1.研究问题
单阶段的目标检测方法具有高效的结构框架,但其性能与俩阶段的目标检测方法存在差距。其中最重要的问题是简单样本和困难样本,正样本和负样本的不平衡问题导致。这些大量的简单背景样本再训练过程中淹没模型的优化器,从而导致性能的下降。
首先应该明白文章中所指出的简单负样本和困难正样本的定义,RPN的提出致使如今大部分模型都会使用anchors作为检测过程中的重要目标区域定位手段,在网格中每一个点都会产生anchors,产生的全部anchors数量巨大,而目标在图片中的尺寸较小, 就会产生一个问题,就是有用的正样本(即含有目标区域的anchors)很少,而无用的负样本(即只有背景信息的anchors)很多。文中认为那些只含有背景信息的样本时简单负样本。如下图所示,<