轻松实现Rust系统入门，实战编译器开发

[m0_54854356]

download：轻松实现Rust系统入门，实战编译器开发

导读

TL;DR: 本文针对长尾物体检测问题提出了一种新颖的处理计划，即 BACL 框架。经过前景分类均衡损失和动态特征幻觉模块，BACL 可以有效地处理长尾散布下的分类成见问题，并显著进步了检测性能。这一工作关于理想世界中长尾散布的物体检测具有实践意义和应用前景。

问题陈说：众所周知，传统的检测器在处置长尾数据（类别不平衡）时表现降落，由于它们倾向于大多数头部类别。本文提出，这一学习成见源于两个要素：

1. 前景类别散布的不均衡竞争
2. 尾部类别样本多样性的缺乏

LVIS contains visually similar categories distributed in both the head and long tail (bicycle vs. tricycle).

从图中能够看出，由于其辨别才能有限，传统办法经常将三轮车错误分类为自行车。而本文提出的 BACL 专注于这些混杂类别，自顺应地提升它们对损失公式的奉献。同时，BACL 可以综合多种特征来加强尾部类别的表示，从而协助检测器在一切类别上完成更均衡的状态。

处理计划：为此，作者引入了一个统一框架Balanced Classification, BACL，引入了一对长期和短期指标来实时监控分类器的学习状态，经过动态的办法来改善类别散布的差别和样本多样性，从而停止成见校准。详细来说，提出了两个组件：

1. 前景分类均衡损失：Foreground Classification Balance Loss, FCBL经过成对的类别感知边距和自动调整的权重项来减轻头部类别的支配位置，关注难以辨别的类别
2. 动态特征幻觉模块：Dynamic Feature Hallucination module, FHM经过合成幻觉样原本扩展尾部类别在特征空间中的表示，从而引入额外的数据变化，以扩展尾部类别的特征空间表示。

最终，BACL经过这两个组件的协同作用消弭了分类成见，纠正了由类别散布差别惹起的不对等，并加强了样本多样性。

实验结果：BACL在具有应战性的LVIS基准测试上完成了新的最先进程度，超越了规范的Faster R-CNN，整体AP进步了5.8%，尾部类别的 AP 进步了 16.1% 以及常见类别提升 7.0% AP。