【ICCV2021】用于目标检测和实例分割的新损失函数

论文标题：Rank & Sort Loss for Object Detection and Instance Segmentation

论文链接：https://arxiv.org/abs/2107.11669

代码链接：https://github.com/kemaloksuz/RankSortLoss

涨点神器！RS Loss：新损失函数！可助力现有目标检测和实例分割网络涨点，如应用于Cascade R-CNN、SOLOv2等，优于QFL、AP和Focal Loss等损失，代码刚刚开源！

本文提出 Rank & Sort (RS) Loss，作为基于ranking的损失函数来训练深度目标检测和实例分割方法（即视觉检测器）。RS Loss 监督分类器，这些方法的一个子网络，将每个positive 排名高于所有负面，并根据（wrt.）它们的连续定位质量（例如 Intersection-over-Union - IoU）对它们之间的positive 进行排序.为了解决排序和排序的不可区分性，我们重新制定了错误驱动更新与反向传播的结合作为身份更新，这使我们能够对正样本中的新排序错误进行建模。使用 RS 损失，我们显著简化了训练：（i）由于我们的排序目标，分类器优先考虑正数，而无需额外的辅助头（例如，对于中心度、IoU、mask-IoU），（ii）由于其排名 -基于性质，RS 损失对类不平衡具有鲁棒性，因此，不需要采样启发式，并且（iii）我们使用无调整任务平衡系数来解决视觉检测器的多任务性质。使用 RS 损失，我们仅通过调整学习率来训练七个不同的视觉检测器，并表明它始终优于基线：例如我们的 RS 损失在 COCO 数据集上将 (i) Faster R-CNN 提高了约 3 个框 AP 和 aLRP 损失（基于排名的基线）提高了约 2 个框 AP，（ii）具有重复因子采样（RFS）的 Mask R-CNN 提高了 3.5 LVIS 数据集上的掩码 AP（稀有类约为 7 个 AP）；并且也优于所有同行。