目标检测中的不平衡问题综述

今天跟大家推荐一篇前几天新出的投向TPAMI的论文：Imbalance Problems in Object Detection: A Review，作者详细考察了目标检测中的不平衡问题（注意不仅仅是样本中的不平衡问题）及其解决方案，是目标检测领域目前最新的也是非常独特的综述。

读完之后，你会发现，原来新出的这么多算法，多半是为了解决不平衡问题！

以下是作者信息：

该文作者均来自土耳其中东科技大学。

什么是不平衡问题？

弄清这个问题，非常重要，作者让我们重新审视目标检测的数据和算法流程，对于任何输入的特性的分布，如果它影响到了最终精度，都是不平衡问题。

一个我们最常想到的不平衡问题是：目标类别的不平衡。比如猫狗数据标注数量差异比较大。

但这只是类别个数这一个输入特性。

作者将不平衡问题分成四种类型，如下表：

1. 类别不平衡：前景和背景不平衡、前景中不同类别输入包围框的个数不平衡；

2. 尺度不平衡：输入图像和包围框的尺度不平衡，不同特征层对最终结果贡献不平衡；

3. 空间不平衡：不同样本对回归损失的贡献不平衡、正样本IoU分布不平衡、目标在图像中的位置不平衡；

4. 目标函数不平衡：不同任务（比如回归和分类）对全局损失的贡献不平衡。

作者这个定义和总结非常全面，想想之前很多算法也是为了解决上述某一个不平衡问题。

主流目标检测算法的训练大致流程，与四种不平衡问题的示例：

作者将目前上述不平衡问题及相应目前学术界提出的解决方案，融合进了下面这张超有信息量的图（请点击查看大图）：

作者对文献的收集总结非常细致全面，很多论文都是今年才出的。这块内容非常丰富，建议大家阅读论文原文。

作者又从方法的角度总结了这些解决不平衡问题的目标检测算法（请点击查看大图）：

不平衡问题，当然并没有完全被解决，作者在Github上建了项目，分类别跟踪相关技术发展：

https://github.com/kemaloksuz/ObjectDetectionImbalance

这篇论文综述对该领域进行了详尽的调查，非常值得做相关方向的同学参考。

论文地址：

https://arxiv.org/abs/1909.00169