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

最新推荐文章于 2024-09-24 13:57:15 发布
最新推荐文章于 2024-09-24 13:57:15 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

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

贾小树
关注
专栏目录
目标检测 -Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dens
12-07 172
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: Learning Qualified and Distributed BBoxes for Dense Object Detection论文翻译阅读
深度检测的博客
07-28 1021
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
12-11 934
（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
深入浅出之Focal Loss、VFL与DFL
最新发布
浩瀚之水的专栏
09-24 1581
一、提出背景Focal Loss的提出主要是为了解决在目标检测等任务中常见的类别不平衡问题，特别是在正负样本比例极不均衡的情况下，模型往往会被大量简单样本（如背景）所主导，导致对少数类样本（如目标物体）的学习不足。此外，传统的损失函数（如交叉熵损失）在处理难易样本时也存在一定的问题，即模型容易对简单样本过度拟合，而忽视难分类样本的学习。二、时间与作者。
Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection
qq_52302919的博客
06-20 2206
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 2752
Keywords: QFL, DFL, DFLoss
【目标检测】|NIPS2020 Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense
qq_35608277的博客
06-14 509
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
[GFL]Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Dete
Focus
07-14 901
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
04-07 996
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
09-26 903
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 1679
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
Generalized Focal Loss-读论文随笔
zzhang_12的博客
11-22 379
《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：Generalized Focal Loss（NIPS2020）
kill2013110的博客
08-16 4094
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
Generalized Focal Loss 原理与代码解析
00000cj的博客
10-26 2498
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。
目标检测论文阅读：GFL算法笔记
qq_43631268的博客
01-17 2876
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。
一文了解目标检测边界框概率分布
weixin_43900320的博客
06-30 1058
一文了解目标检测边界框概率分布概率建模 众所周知，CNN的有监督学习通常是建立在给定训练数据集之上的，数据集的标签(也称为GT)，决定了人类期望模型学习的样子。它通过损失函数、优化器等与CNN模型相连。因而机器所表现的出的一切有关识别、定位的能力，均是合理优化的结果。同样地，如何能够玩转目标检测？其实只需能够玩转最优化即可。 在最近两年内，出现了一些有关目标检测bounding box概率分布建模的文章，如Softer-NMS (CVPR 2019)，Gaussian YOLOv3 (ICCV 2019)
Generalized Focal Loss：Focal loss魔改以及预测框概率分布，保涨点 | NeurIPS 2020
晓飞的算法工程笔记
07-28 740
为了高效地学习准确的预测框及其分布，论文对Focal loss进行拓展，提出了能够优化连续值目标的Generalized Focal loss，包含Quality Focal loss和Distribution Focal loss两种具体形式。QFL用于学习更好的分类分数和定位质量的联合表示，DFL通过对预测框位置进行general分布建模来提供更多的信息以及准确的预测。从实验结果来看，GFL能够所有one-stage检测算法的性能   来源：晓飞的算法工程笔记 公众号 论文: Generalized.
目标检测无痛涨点：大白话 Generalized Focal Loss
我爱计算机视觉
07-10 4708
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...
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。结合使用Generalized Focal Loss和YoloV5可以进一步提升目标检测的性能。 在目标检测任务中，不同类别的样本数量往往是不平衡的，一些常见的类别可能会有很多样本，而一些罕见的类别可能只有极少数样本。对于这种情况，使用传统的交叉熵损失函数可能会导致网络偏向于训练样本数量较多的类别，而对于那些样本数量较少的类别则表现不佳。 Generalized Focal Loss采用了类似于Focal Loss的方法来处理不平衡数据集，该方法通过降低容易分类的样本的权重来提高难以分类的样本在训练过程中的重要性。此外，Generalized Focal Loss还添加了一些参数来控制样本难度的权重，这提高了模型对于罕见类别的识别能力。 结合Generalized Focal Loss和YoloV5可以进一步提高目标检测性能。YoloV5现有的版本已经使用Focal Loss来处理类别不平衡的问题，但使用Generalized Focal Loss可以更加灵活地进行参数调节。通过用Generalized Focal Loss替换原有的损失函数，可以减少误分类样本的影响，提高整个模型对于样本数量较少的类别的识别能力，从而进一步提高整个目标检测系统的性能。
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