#523
summarized by : Shunsuke Yoshizawa
Seesaw Loss for Long-Tailed Instance Segmentation
Jiaqi Wang, Wenwei Zhang, Yuhang Zang, Yuhang Cao, Jiangmiao Pang, Tao Gong, Kai Chen, Ziwei Liu, Chen Change Loy, Dahua Lin

どんな論文か？

instance segmentationにおいて、出現頻度の低いが種類が豊富なデータセット(Long-Tailed dataset)に対する損失関数としてSeesaw Lossを提案した論文。Seesaw Lossは出現頻度の低いインスタンスに対してFalse positiveのペナルティを低めるMitigation factorと高めるCompensation factorから成る。
placeholder

新規性

Long-tailed datasetに対応するために様々なloss functionが提案されているが、それらとは異なり、Seesaw lossは学習中のインスタンスの出現回数によって変動する動的な性質を持つため、現実のデータセットに対応しやすいと主張している。

結果

LVIS datasetを使用して学習を行った結果、CrossEntropyや、Equalization Loss, Balanced Group softmaxといった過去に提案された損失関数と比較して良好な精度が得られた。

その他（なぜ通ったか？等）

より現実の課題に即した動的な性質を持つ損失関数という点が評価されたと考えられる。実装や手法も単純であるため、色々な分野で使われやすいという点もプラス評価が得られる可能性がある。 code:https://github.com/open-mmlab/mmdetection.

このページで利用されている画像は論文から引用しています．