【论文阅读】DR Loss: Improving Object Detection by Distributional Ranking

阿里团队新作，性能优于 Focal Loss！

论文链接：https://arxiv.org/abs/1907.10156

代码链接：https://github.com/idstcv/DR_loss

---

摘要

大多数目标检测算法可分为两类：二阶检测器 (two-stage) 和一阶检测器 (one-stage) 。近年来，为实现简单而有效的结构，人们致力于 one-stage 检测器的研究。与 two-stage 检测器不同，one-stage 检测器旨在于一个阶段内从所有候选框 (candicates) 中识别出前景对象。该体系结构效率高，但存在两个方面的不平衡问题：前景类别 (正样本) 和背景类别 (负样本) 的候选框数量之间的类间不平衡以及难背景候选框 (难样本) 的类内不平衡，其中只有少数候选框难以识别。在这项工作中，我们提出了一种新的分布排序 (distributional ranking, DR) 损失来应对挑战。对于每个图像，我们将分类问题转化为一个排序问题，该排序问题考虑图像中的候选框对，以解决类间不平衡问题。然后，将前景和背景的置信度分布推向决策边界。在此基础上，我们对导出分布的期望值的排序进行优化，以代替原始分布对。该方法不仅缓解了背景候选中的类内不平衡问题，而且提高了排序算法的效率。仅用开发出的 DR Loss 替代 RetinaNet 的 Focal Loss，并以 ResNet-101 作为主干网络 (backbone)，就可使 COCO 的单尺度测试的 mAP 由 39.1% 提高到 41.7% 而无需其它技巧，从而证明了本文提出的 Loss 函数的有效性。

简图

效果