该博客探讨了在图像识别任务中，如何通过截取原始工区的一部分并利用Focal Loss进行训练来改善模型在不同尺度下的识别效果。Focal Loss用于解决类别不平衡问题，其权重配置为背景:1，水域:2，道路:4，建筑物:4，绿地:2。通过调整这个损失函数，模型能更聚焦于难识别的类别。
采用同一尺度下的工区识别效果
由于原始工区在第十九级时的尺寸过大，因此截取其中的一部分区域用作图像预测，以此查看模型训练的效果。
图像1：
图像2：
图像3：
其它图像：
利用focal loss来训练
权重比值：
| 背景 | 水域 | 道路 | 建筑物 | 绿地 |
|---|---|---|---|---|
| 1 | 2 | 4 | 4 | 2 |
Focal Loss 公式：
F
L
=
−
(
1
−
p
p
r
e
d
i
c
t
i
o
n
×
p
g
r
o
u
n
d
t
r
u
t
h
)
γ
log
(
p
p
r
e
d
i
c
t
i
o
n
)
\mathrm{FL}=-(1-p_{prediction} \times p_{groundtruth})^\gamma\log{(p_{prediction})}
FL=−(1−pprediction×pgroundtruth)γlog(pprediction)
不同尺度下的预测效果
扫一扫
1002
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
