论文: The Equalization Losses: Gradient-Driven Training for Long-tailed Object Recognition
代码：
- https://github.com/ModelTC/United-Perception
- (已集成到 mmdetection) https://github.com/tztztztztz/eqlv2
解决长尾分布问题直观的做法有两类：设计数据重采样策略，或者对损失重加权（为不同类别或实例分配不同的权重）。大多数现有方法都是基于类别的频率设计的，然而这有个缺陷：这些方法不够鲁棒，因为广泛存在着容易的负样本和冗余的正样本。并且数据重采样还会增加训练时长。而本篇工作使用累积正负梯度比作为指标。它更稳定、更精确，能更好地反映模型的训练状态，对于长尾类别，正负梯度比接近0，而对于非长尾类别，正负梯度比接近1。本文根据当前的累积梯度动态地重新平衡正/负梯度，并以实现平衡梯度比为统一目标。基于此思想，论文得到了BCE loss、CE loss、Focal loss的均衡损失（Equalization loss）版本。
在本篇论文之前，论文作者已经在CVPR2020 《Equalization loss for long-tailed object recognition》和 CVPR2021 《Equalization Loss v2: A New Gradient Balance Approach for Long-tailed Object Detection》发表了部分观点，而本篇论文像是对以往工作的大一统总结和扩展。
1. BCE loss及对应的Sigmoid-EQL
BCE loss项通过下面的公式计算
:
的loss为每个样本的loss求和：
BCE中每个类别的概率是独立估计的，没有交叉归一化。这一特性使得二元交叉熵适用于由一组独立子任务组成的任务，如目标检测和多标签图像分类。
对其增加正梯度（即正样本带来的梯度，反之亦然）的权重，降低负梯度的权重，得到Sigmoid-EQL如下：
其中
2. CE loss及对应的Softmax-EQL
CE loss项通过下面的公式计算：
其中的p不使用sigmoid而是使用softmax：
它对于需要单一输出类别的任务非常有用，例如图像分类和语义分割。尽管CE只计算一个实例的正样本的损失，但由于softmax函数，梯度将回流到负样本的对数。
的影响，具体的计算方式如下：
其中
（在代码库中还有个Softmax-EQL v2版本，两者性能相近，计算方式如下：）
3. Focal Loss以及对应的Equalized Focal Loss
Focal loss主要用于单阶段目标检测中的前景和背景不平衡。Focal loss项通过下面的公式计算：
$$ alpha_t=left{begin{array}{cc} alpha &if y=1 \ 1-alpha, & otherwise end{array}right. $$
一般取2。可以看到Focal loss只区分样本的难易（即一般为前景难，背景容易），而不区分样本的类别。也就是说Focal loss主要解决的是前景-背景不平衡问题，而不是前景-前景不平衡问题。我们把EQL的思想和Focal loss的思想结合起来，我们期望稀有难样本比常见难样本造成更多的损失贡献，即得到Equalized Focal Loss：
其中：
作者在双阶段目标检测 (Sigmoid-EQL)、单阶段目标检测(Equalized Focal Loss)、图像分类(Softmax-EQL)、语义分割四个任务上在多个长尾分布数据集进行了验证，证明了EQL可以显著涨点，特别是对长尾类别效果提升尤为明显。
笔者也在自己的一个长尾分类任务中试了Softmax-EQL，确实可以带来可观的性能提升！
