【NeurIPS 2021 】 为目标检测搜索参数化平均准确率损失函数

Searching Parameterized AP Loss for object detection 为目标检测搜索参数化平均准确率损失函数

背景介绍： 损失函数（loss function）在基于深度学习的目标检测领域一直起着至关重要的作用。对于目标检测任务一般使用的则是一个同时考虑定位和分类子任务的评估指标：平均准确率（AP）。然而由于AP计算的不可导性，传统的目标检测网络对两个子任务采用分离的可导损失函数，这一不对齐问题导致了网络表现的退化。为了解决该问题，一些现有的工作人为地设计了一系列AP的替代损失函数，这一过程一般需要专业知识且结果通常仍是次优的。本工作中我们提出参数化平均准确率损失函数（Parameterized AP Loss），使用参数化损失函数替代AP计算中的不可导部分，将不同的AP近似方法统一到一个参数化函数族下，之后利用搜索算法搜索最优的参数形式。我们的贡献有以下几点：

1. 通过数学上推导AP计算并引入可导的参数化损失函数，提出的Parameterized AP Loss可以在一个统一的形式下表示大量的可能的AP近似，该近似式即可作为一个同时优化目标检测任务的定位子任务与分类子任务的损失函数。

2. 不同于手工设计AP损失函数或损失函数梯度的近似，我们的方法框架通过在一个目标检测网络训练的搜索任务上迭代优化，自动地搜索损失函数中参数化函数族需要的最优参数。

3. 基于不同的目标检测网络结构的实验证明，搜索到的Parameterized AP Loss的表现可以稳定地超过一系列现有的损失函数。