论文阅读：Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Dete

最新推荐文章于 2024-05-30 17:26:19 发布
最新推荐文章于 2024-05-30 17:26:19 发布
阅读量1.4k 收藏 2
点赞数
分类专栏： 论文阅读 目标检测
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/j879159541/article/details/115105045
版权
这篇论文提出了一种泛化的Focal Loss，它结合分类和回归预测，解决了训练与测试之间的差距问题。通过将边界框回归预测离散化，并引入GIOU损失，提高了模型的准确性。文章探讨了在标注不精确和遮挡情况下模型的改进，并讨论了相关超参数的选择。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

文章目录

1、论文总述

本篇论文提出了泛化版的Focal loss（可以同时用于分类和回归分支），既将class 得分和 centerness得分的预测合并为了一个分支，解决了training和test时的gap，而且将边框回归的每个确定值的预测改为了16个离散值的预测，然后将其积分得到最终值。

论文非常值得精度，里面值得学习的地方很多。

原作者在知乎上对本篇论文解读的已经非常好了，可直接去看，本人就不赘述了。
大白话 Generalized Focal Loss

本文大概意思：
在这里插入图片描述

背景框也会预测一些class 得分低 但是IOU得分高的情况（由于训练时候负样本没有监督）：
在这里插入图片描述

标注框比较粗糙 以及 遮挡情况下 边界不明显的问题：

在这里插入图片描述

回归分支由原来的预测一个值 改为 预测一个分布：
在这里插入图片描述

最终的loss有GIOU：

在这里插入图片描述

回归部分一些超参数的选取：
在这里插入图片描述

目标检测 -Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dens
12-07 192
众所周知，单阶段检测器的发展是目标检测领域的重要研究方向，而单阶段方法往往将目标检测视为密集分类和定位任务（其中定位任务值得就是边框回归）。分类任务通常通过Focal Loss进行优化，而边框定位通常按照Dirac delta分布来学习。最近单阶段检测器的研究趋势为引入一个单独的分支来估计定位的质量（centerness或者iou），这个质量预测有助于分类任务的进行从而整体上提高检测的性能。
Generalized Focal Loss 原理与代码解析
00000cj的博客
10-26 2701
为了方便网络优化，作者将连续区间上的积分转换成了离散的形式，通过将区间 \(\left [ y_{0},y_{n} \right ] \) 转换成一组等间隔 \(\triangle\)（为了方便取\(\triangle=1\)）的离散区间 \(\left \{ y_{0},y_{1},...,y_{i},y_{i+1},...,y_{n-1},y_{n} \right \} \)，根据离散分布的性质 \(\sum_{i=0}^{n} P(y_{i})=1\)，回归估计值可由下式得到。
Generalized Focal Loss: Learning Qualified and Distributed BBoxes for Dense Object Detection论文翻译阅读
深度检测的博客
07-28 1046
Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection论文翻译
Generalized Focal Loss Learning Qualified and Distributed Bounding Boxes for Dense Object Detection
风行
12-11 968
（一）Title （二）Summary One-stage检测器将目标检测形式化为dense classification和localization。分类通常通过Focal Loss进行优化，bounding box的定位通常利用狄拉克δ分布进行学习。One-stage检测器的最新趋势是引入an individual prediction branch（单独的预测分支）来帮助分类，从而提升检测性能。 作者在实践过程中发现了两个问题： 在训练和推断阶段，质量评估和分类使用的不一致(即，单独训练但在测试中复
Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection
qq_52302919的博客
06-20 2353
一阶段检测器基本将目标检测定义为密集的分类和定位(即包围框回归)。分类通常采用Focal Loss优化方法，锚框定位通常在狄拉克分布下学习。一阶段检测器最近的一个趋势是引入单个预测分支来估计定位质量，其中预测的质量有助于分类，从而提高检测性能。本文探讨了质量估计、分类和定位三个基本要素的表示方法。......
【NIPS 2020】Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for...译读笔记
墨门
03-21 2796
Keywords: QFL, DFL, DFLoss
[GFL]Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Dete
Focus
07-14 943
Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection 会议：CVPR 2021 论文：https://arxiv.org/pdf/2006.04388.pdf 代码：https://github.com/implus/GFocal Abstract 目前的模型大多存在两个问题： 问题一：在训练和推理的过程中，质量评估和分类的方法不一致： 他们往往被独立训练
Generalized Focal Loss V2: Learning Reliable Localization Quality Estimation for Dense Object Detect
weixin_41729258的博客
04-07 1021
Generalized Focal Loss V2 这篇文章提出了利用边界框分布（在Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection中提出的一般分布） 本文观察到一般的统计分布与其真正的定位质量有很强的相关性，边界框分布的形状（平整度）可以清楚地反映预测结果地定位质量，分布越尖锐，预测的边界框越准确，反之亦然。输入（边框分布统计）和输出（LQE分数）是高度
Generalized Focal Loss
星月野的博客
09-26 945
Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection https://arxiv.org/abs/2006.04388 Background one-stage的目标检测任务一般将任务划分为两个方向：classification和localization，在网络训练过程中，这两个方向一般是独立进行优化的，如下图所示。 图1 传统detection任务
NeurIPS2020 Generalized Focal Loss论文翻译
Q1u1NG的博客
09-20 1746
Generalized Focal Loss论文翻译摘要1. 介绍 光流边缘引导的视频补全算法 论文地址：Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection 摘要 one-stage检测器基本将目标检测制定为稠密分类和定位(即边框回归)。分类通常由Focal loss优化，边框定位一般用狄拉克δ函数来学习。one-stage检测器的最新趋势是引入一个单独的预测
【目标检测】|NIPS2020 Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense
qq_35608277的博客
06-14 531
Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection 这个工作核心是围绕“表示”的改进来的，也就是大家所熟知的“representation”这个词。这里的表示具体是指检测器最终的输出，也就是head末端的物理对象，目前比较强力的one-stage anchor-free的检测器（以FCOS，ATSS为代表）基本会包含3个表示：分类表示检测框表示检测框的质量估计
Generalized Focal Loss-读论文随笔
zzhang_12的博客
11-22 402
《Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection》 原文链接：https://arxiv.org/abs/2006.04388 代码链接：https://github.com/implus/GFocal 一、针对什么问题？ 1、问题： 2、原因： 二、anchor-based 和 anchor-free 的主要区别 1、分类分支不同：F..
目标检测无痛涨点：大白话 Generalized Focal Loss
我爱计算机视觉
07-10 4901
本文转载自知乎，已获作者授权转载。链接：https://zhuanlan.zhihu.com/p/147691786解读论文：Generalized Focal Loss: Learni...
目标检测：Generalized Focal Loss（NIPS2020）
kill2013110的博客
08-16 4232
论文要解决单阶段目标检测中的两个问题： 1. 训练和推理时定位质量评估与分类分数是非一致的。2. 边界框的表征是不够灵活的
目标检测论文阅读：GFL算法笔记
qq_43631268的博客
01-17 3142
单阶段检测器基本上是把目标检测分为稠密分类和定位（即边界框回归）两个过程。分类通常用Focal Loss优化，边界框定位一般在Dirac delta分布下学习。单阶段检测器最近的一个趋势是引入一个单独的预测分支来评估定位的质量，预测的质量通过促进分类来提升检测性能。本文深入研究了上述三个基本要素的表示：质量估计、分类和定位。在现有的实践中发现了两个问题：①训练和推理阶段中质量估计和分类的使用不一致；②定位时的Dirac delta分布不够灵活。为了解决这些问题，我们为这些元素设计了新的表示。
quality focal loss & distribute focal loss 详解（paper, 代码）
热门推荐
蓝羽飞鸟的博客
01-10 1万+
QFL， DFL
YOLOv9(4): DFL（Distribution Focal Loss）
最新发布
tecsai的博客
05-30 1万+
DFL最早在论文Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection中被提及，在YOLOv8中就已经在使用。 DFL的作者认为，在很多时候，检测目标的边界并不是一个确切的值，而是一个分布。
【目标检测】损失函数：不同损失函数概念及其代码实现
chu-xia的博客
01-22 4421
本篇文章介绍目标检测中不同的损失函数概念及其代码实现。目标检测主要任务为实现目标的分类与定位类别/置信度损失位置损失。
generalized focal loss结合yolov5
04-28
Generalized Focal Loss是一种处理不平衡数据集的损失函数，它在传统的Focal Loss上进行了改进，可以用于多分类和回归任务。YoloV5是一种目标检测算法，它采用一种基于单个神经网络的方法来实现快速而准确的目标检测...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值