Adaptive Class Suppression Loss for Long-Tail Object Detection
论文简介：
为了解决目标检测任务的长尾分布问题，现有的方法通常将整个类别划分为几个组，并使用不同的策略来处理每一组。这些方法带来了以下两个问题：一个是具有相似大小的相邻类别之间的训练不一致性，另一个是学习模型对在语义上与某些头部类别相似的尾部类别缺乏区分。
本文设计了一种新的自适应类抑制损失（ACSL）来有效地解决上述问题，提高了尾类的检测性能。具体来说，本文引入了一个无需统计的方法来分析长尾分布，从而打破了手工分组的局限性。
根据这一观点，本文的 ACSL 自适应地调整了每个类别的每个样本的抑制梯度，确保了训练的一致性，并提高了对罕见类别的区分。
代码地址：https://github.com/CASIA-IVA-Lab/ACSL
目前解决长尾分布的一种直观的解决方案是通过重采样技术来重新平衡数据分布，通过过采样尾部或少采样头部类，一个较平衡的分布可以人为产生。