目標檢測中的不平衡問題綜述

• 2019 年 10 月 4 日
• 筆記

今天跟大家推薦一篇前幾天新出的投向TPAMI的論文：Imbalance Problems in Object Detection: A Review，作者詳細考察了目標檢測中的不平衡問題（注意不僅僅是樣本中的不平衡問題）及其解決方案，是目標檢測領域目前最新的也是非常獨特的綜述。

讀完之後，你會發現，原來新出的這麼多演算法，多半是為了解決不平衡問題！

以下是作者資訊：

該文作者均來自土耳其中東科技大學。

什麼是不平衡問題？

弄清這個問題，非常重要，作者讓我們重新審視目標檢測的數據和演算法流程，對於任何輸入的特性的分布，如果它影響到了最終精度，都是不平衡問題。

一個我們最常想到的不平衡問題是：目標類別的不平衡。比如貓狗數據標註數量差異比較大。

但這只是類別個數這一個輸入特性。

作者將不平衡問題分成四種類型，如下表：

1. 類別不平衡：前景和背景不平衡、前景中不同類別輸入包圍框的個數不平衡；

2. 尺度不平衡：輸入影像和包圍框的尺度不平衡，不同特徵層對最終結果貢獻不平衡；

3. 空間不平衡：不同樣本對回歸損失的貢獻不平衡、正樣本IoU分布不平衡、目標在影像中的位置不平衡；

4. 目標函數不平衡：不同任務（比如回歸和分類）對全局損失的貢獻不平衡。

作者這個定義和總結非常全面，想想之前很多演算法也是為了解決上述某一個不平衡問題。

主流目標檢測演算法的訓練大致流程，與四種不平衡問題的示例：

作者將目前上述不平衡問題及相應目前學術界提出的解決方案，融合進了下面這張超有資訊量的圖（請點擊查看大圖）：

作者對文獻的收集總結非常細緻全面，很多論文都是今年才出的。這塊內容非常豐富，建議大家閱讀論文原文。

作者又從方法的角度總結了這些解決不平衡問題的目標檢測演算法（請點擊查看大圖）：

不平衡問題，當然並沒有完全被解決，作者在Github上建了項目，分類別跟蹤相關技術發展：

https://github.com/kemaloksuz/ObjectDetectionImbalance

這篇論文綜述對該領域進行了詳盡的調查，非常值得做相關方向的同學參考。

論文地址：

https://arxiv.org/abs/1909.00169