【看看这长尾学习】解耦训练 Balanced group Softmax

---

04 Overcoming classifier imbalance for long-tail object detection with balanced group softmax

论文观点和表现：

• 现有检测方法在数据集严重倾斜时不能对极少数类进行建模，这导致分类器在参数量级上不平衡。并且长尾分类模型并不能直接应用于检测框架。

• 本文提出了一个新的平衡组（BAGS）模型来平衡检测框架内的分类器，能够隐式的调制尾部和头部类别的训练过程并且确保训练充分（没有对尾部实例进行额外的采样）

  
  

实验原理：

• 网络结构：

• Group softmax

  • 划分一系类的平衡组，每个Group中各类别实例数目相当。

    • 将 $C$ 个类别分为 $N$ 个Groups, 分配的依据是每个类的实际实例数目。

    • $S_n^l\le N(j)<S_n^h,n>0$

      • 具体含义见下图

      

• 给每个Group添加Others

  • Others包含除了当前Group中类别的其他类别和背景

• 添加第 $g_0$ 组 ，前后背景组

  • 在对$g_1.......g_n$ 进行预测之前，先进行 $g_0$ 再与$g_1.......g_n$ 的结果相乘。

思考与带论证实验：

• 分组进行思路很好理解，但是具体实施呢？如
  • 如何训练的时候进行分组？
  • 分组后如何使用Softmax进行单独训练
  • 测试时，如何先去判断前后背景概率，再结合各组别综合判断Object的所属类别？