摘要

现实世界中的数据集通常遵循不平衡分布，这在稀有类别对象检测中带来了显著的挑战。近期的研究通过开发重新加权和重新采样方法来解决这一问题，这些方法利用了数据集中各类别的频率。然而，这些技术仅关注频率统计，忽略了图像空间中类别的分布情况，从而遗漏了重要的信息。相比之下，我们提出了一种新的长尾对象检测后校准方法——分形校准（FRACAL）。FRACAL设计了一种基于对数调整的方法，利用分形维数估计类别在图像空间中的均匀分布程度。在推理过程中，它使用分形维数反向降低均匀分布类别预测的概率，从而在两个方面实现平衡：频繁类别与稀有类别之间，以及均匀分布类别与稀疏分布类别之间。FRACAL是一种后处理方法，不需要任何训练，并且可以与许多现成的模型结合使用，例如单阶段sigmoid检测器和两阶段实例分割模型。FRACAL在LVIS数据集上将稀有类别的性能提升了高达8.6%，超越了所有先前的方法，并且在COCO、V3Det和OpenImages等其他数据集上也表现出良好的泛化能力。我们的代码已发布在 https://github.com/kostas1515/FRACAL。