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

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：

可以发现在COCO数据集上，相对平衡的数据分布也会在不同种类间得到相对平衡的weight norm，除了background类(CID=0).而在LVIS数据集上，很明显可以发现weight norms是很不平衡的，而且和训练集中各类的数量成正相关。这种不平衡的分类器（也就是它们的参数范数）会使low-shot类别（尾类）的分类分数远小于many-shot类别（头部类别）的