【论文阅读】【二维目标检测】Adaptive Class Suppression Loss for Long-Tail Object Detection

文章：Adaptive Class Suppression Loss for Long-Tail Object Detection
2021 CVPR，解决目标检测中的长尾问题。

2020 CVPR中也有几篇文章解决该问题，我写在了另外一篇博客中。

motivation

本文其实就是针对Equalization Loss for Long-Tailed Object Recognition的改动，对于这篇文章，我写在了另外一篇博客中。

在Equalization Loss中，提出了在head中的类别进行分类时，忽略分类loss对long tail中的类别的梯度回传，从而减少压制

本文的出发点有两个：

• 人为的将类别分成head和long tail两组，会造成训练的不连续性。尤其是在划分head和long tail的分界线周围的一些类别。
• 不能有效的区分head和long tail中相似的类别，因为在Equalization Loss中，sunglasses这个的分类损失梯度不传到eye mask中。

Method

与Equalization Loss一样，为了long tail中的类别不被压制，就需要减少head类别的分类loss的梯度回传。

本文提出，也不区分是不是head的类别了。对于一个数据集有C个类别，对于一个sample，网络出C个预测，用sigmoid对这C个分别处理，得到C个类别的score（注意：这种处理方式，C个类别的非竞争的，不像softmax，一个大了其它类别就必定小）。根据C个score和真值（真值必定是one-hot的，因为sample必定只属于一个类），可以构建loss，但是，对每个类别的loss要加权。

假设这个sample是k类，那么权重$w_i$如下设置：

sample为k类，那要k类的score要高，肯定要回传梯度。对于其他的类别，要是预测score也很高，说明这两个类容易错分，所以也要压制。但如果分数不高，那就不回传梯度了，就不压制小类别了。