?作者丨小馬
編輯丨極市平臺
本文原創首發于極市平臺公眾號，轉載請獲得授權并標明出處。

寫在前面

目標檢測和實例分割往往是一個multi-task的任務，其中包含了諸如classification，box regression和mask prediction等多個子任務，因此對于這類任務的損失函數往往是多個子任務的損失函數來加權求和，如下所示：

其中，$L_t^k$是在第k個stage中第t個任務的損失函數（對于Faster R-CNN這類二階段的目標檢測器，$K$就等于2），${\lambda }_t^k$是一個用來決定每個stage中每個任務權重的超參數。

由于子任務和stage的多樣性以及每個任務重要性的不平衡，在這類任務中，超參數的數量往往就會比較多。雖然加入這些超參數來平衡不同任務的重要性能夠讓模型獲得更好的性能，但由于調參是非常耗時耗資源的，并且次優的超參數會導致模型次優的性能。

因此，在本文中，作者提出了一種用于目標檢測和實例分割任務的Rank & Sort Loss（RSLoss），能夠簡化原來模型訓練的復雜性，并能使得模型達到更好的performance。實驗中，作者在7個模型中驗證了RSLoss的有效性。

1. 論文和代碼地址

Rank & Sort Loss for Object Detection and Instance Segmentation

論文地址：https://arxiv.org/abs/2107.11669

代碼地址：https://github.com/kemaloksuz/RankSortLoss

2. Motivation

閱讀全文：ICCV2021 Oral-RS Loss-拒絕調參、簡化訓練、顯著提點，檢測分割任務中的新損失函數——RS Loss

推薦大家關注極市平臺公眾號，每天都會更新最新的計算機視覺論文解讀、綜述盤點、調參攻略、面試經驗等干貨~

總結

以上是生活随笔為你收集整理的ICCV‘21 Oral｜拒绝调参，显著提点：检测分割任务的新损失函数RS Loss开源的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。