摘要

本文介绍了lvisTraveler团队在LVIS Challenge 2020中的解决方案。在本工作中，主要考虑了LVIS数据集的两个关键特性：长尾分布问题以及高质量实例分割掩码。为此，团队采用两阶段训练流程：在第一阶段，引入EQL（Efficient Quality Learning）与自训练（self-training）策略，以学习更具泛化能力的特征表示；在第二阶段，采用Balanced GroupSoftmax优化分类器，并提出一种新颖的候选框分配策略以及一种新的平衡掩码损失函数（balanced mask loss），以提升掩码头的预测精度。最终，该方法在LVIS v1.0验证集和测试开发集上分别取得了41.5和41.2的AP（Average Precision）成绩，显著优于基于X101-FPN-MaskRCNN的基线模型。