纠正长尾目标检测中的回归偏差
内容提要
该文综述长尾目标检测与实例分割研究，指出LVIS等长尾数据集中不准确的对象提案分类是性能下降主因，并介绍校准框架、平衡分类、自适应损失、分组Softmax及特征增强等方法，以缓解头尾偏差、提升尾部类别检测与分割精度。
延伸解读
长尾检测的核心挑战：分类偏差
文章指出，在LVIS等长尾数据集中，不准确的对象提案分类是导致两阶段实例分割模型性能下降的主要原因。这种分类偏差源于头尾类别样本数量不平衡，使模型偏向头部类别。因此，解决长尾问题的关键之一在于校准分类头，减轻偏差，而非单纯调整检测架构。
方法演进：从校准到自适应损失
文章综述了多种缓解长尾偏差的方法，包括简单校准框架、平衡分类（BACL）、自适应损失（DropLoss）、分组Softmax（BAGS）以及特征增强等。这些方法从不同角度入手：有的直接校正分类头偏差，有的通过损失函数调整类别权重，有的则增强尾部类别的特征多样性，共同目标是提升尾部类别的检测与分割精度。
性能提升与基准验证
多项方法在LVIS基准上取得了显著效果。例如，BACL框架实现了5.8% AP和16.1% AP的提升，BAGS在LVIS检测基准上达到新的最佳结果。这些实验表明，针对长尾分布设计的校准和平衡策略能有效改善模型在稀有类别上的表现，为实际应用提供了可靠参考。
Q&A
长尾目标检测中，模型性能下降的主要原因是什么？
不准确的对象提案分类是长尾目标检测和分割模型性能下降的主要原因。
有哪些方法可以缓解长尾目标检测中的分类头偏差？
可以采用校准框架来减轻分类头偏差，并结合二级类平衡采样方法。此外，BACL框架通过前景分类平衡损失和动态特征幻化模块来校正类别分布不平等和增强样本多样性。
BACL框架在LVIS基准上取得了怎样的性能提升？
BACL框架在LVIS基准上取得了5.8% AP和16.1% AP的性能提升。
DropLoss是如何解决长尾类别分布下的损失不平衡问题的？
DropLoss是一种自适应损失，用于解决目标检测中长尾类别分布下的损失不平衡问题，以改善罕见类别的预测结果，提高模型在LVIS数据集上的表现。
BAGS方法在长尾目标检测中有什么优势？
BAGS（组内平衡Softmax）通过分组训练平衡分类器，显著提高检测器性能，超越了源自长尾图像分类的所有现有方法，并在LVIS检测基准数据集上实现了新的最佳结果。
如何通过调整标签空间来解决长尾图像识别中的头尾偏差问题？
通过调整标签空间来平衡数据，从而提高分类性能。实验证明该方法可应用于多种模型，并为长尾特征学习提供了思路。
