Generalized Focal Loss

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730 收藏 1
点赞数
分类专栏： paper阅读 文章标签： 深度学习 机器学习 神经网络 计算机视觉
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/li6016265/article/details/120480429
版权
Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detectionhttps://arxiv.org/abs/2006.04388Backgroundone-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
摘要由CSDN通过智能技术生成

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任务学习范式

其中，对于classification问题，考虑到目标检测任务中大量背景负样本到影响，一般选用Focal Loss来进行优化。而对于localization问题，一般都是将其作为一个Dirac delta分布问题，通过对GT的box的回归来优化。而最近FCOS提出引入一个定位质量评估的因子localizaiton quality（一般采用 IoU或centerness score），带来了很可观的性能提升。目前来说，这三者的组合便是目前目标检测任务的常用较优组合。

Issue

但是通过对该三者组合的训练范式的研究，作者发现其中存在两个问题：

  • classi

最低0.47元/天 解锁文章
星月野
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
基于NanoDet项目进行小裁剪，专门用来实现PyTorch 版本的python源码+文档说明
01-22
该代码基于NanoDet项目进行小裁剪，专门用来实现Python语言、PyTorch 版本的代码，下载直接能使用，支持图片、视频文件、摄像头实时目标检测。 YOLO、SSD、Fast R-CNN等模型在目标检测方面速度较快和精度较高，但是这些模型比较大，不太适合移植到移动端或嵌入式设备； 轻量级模型 NanoDet-m，对单阶段检测模型三大模块（Head、Neck、Backbone）进行轻量化，目标加检测速度很快；模型文件大小仅几兆（小于4M）。 NanoDet 是一种 FCOS 式的单阶段 anchor-free 目标检测模型，它使用 ATSS 进行目标采样，使用 Generalized Focal Loss 损失函数执行分类和边框回归（box regression） 1、该资源内项目代码都经过测试运行成功，功能ok的情况下才上传的，请放心下载使用！ 2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。 3、如果基础还行，也可在此代码基础上进行
【目标检测】|NIPS2020 Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense
qq_35608277的博客
06-14 452
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
YOLOv9(4): DFL（Distribution Focal Loss）
最新发布
tecsai的博客
05-30 1201
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。
Generalized Focal Loss 原理与代码解析
00000cj的博客
10-26 2239
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】22、Generalized Focal Loss V1
呆呆的猫的博客
07-26 2837
One-stage 目标检测器基本上是将目标检测建模成了一个密集分类和定位的任务。 分类任务一般使用 Focal Loss 来进行优化，定位任务一般是学习 Dirac delta 分布。 如 FCOS 中就提出了一个估计定位质量的量：IoU score 或 centerness score，然后 NMS 排序的时候，将分类得分和框质量得分相乘。.........
目标检测之Generalized Focal Loss介绍
xuzz_498100208的博客
12-26 4590
目标检测从年初的ATSS到PAA,通过优化对正负样本选取的手段将onestage在COCO的AP刷到了46，本文主角GFL在ATSS的基础之上，对focal loss进行改进，提出了GFL，通过大量对比试验证明了有效性，基本上可以说是无损涨点了。
目标检测模型中的几个损失值
qq_52832321的博客
03-08 3386
DFL损失的主要作用是用于校正模型在预测物体边界框时的误差，优化后的效果可以在一定程度上针对有些模糊或者焦点不集中的图片提升对象检测的精度。Box Loss直接依赖于模型预测的边界框与实际（或称为真值）边界框之间的距离。DFL损失是一个更高级的损失函数，目标是能在某些更复杂的情况下获得更好的性能，特别是针对一些难以边界框预测的目标。Box损失函数通常用于基本的目标检测任务，如Faster R-CNN, SSD等方法，Box损失是一个相对简单的损失函数，它主要计算预测的边界框与实际的边界框之间的位置偏差。
基于深度学习的道路目标检测算法研究
02-20
首先，为协调分类和回归的一致性， 基千Generalized Focal Loss 对损失函数进行改进来优化两分支；其次，引入自适应训练样本选择策略来更好的平衡正负样本；最后设计一个负样本提取与融合模块，对高质量负样本进行...
NanoDet-PyTorch:基于NanoDet项目进行小裁剪，专门用来实现PyTorch 版本的代码，下载直接能使用，支持图片、视频文件、摄像头实时目标检测
05-11
NanoDet-PyTorch ...NanoDet 是一种 FCOS 式的单阶段 anchor-free 目标检测模型，它使用 ATSS 进行目标采样，使用 Generalized Focal Loss 损失函数执行分类和边框回归（box regression） 模型性能 Model Resolut
gfl_coco_fpn.rar
07-15
"GFL"可能指的是"Generalized Focal Loss"，这是一种损失函数，旨在改进传统的Focal Loss，解决目标检测中的类别不平衡问题。"COCO"通常指的是"Common Objects in Context"数据集，这是一个广泛使用的图像标注数据集...
gfl_coco_LD.rar
07-15
GFL_COCO，全称为Generalized Focal Loss for Dense Object Detection with COCO数据集，是基于COCO（Common Objects in Context）数据集进行训练的一种目标检测模型。COCO数据集包含了丰富的图像样本，涵盖了日常...
【目标检测】27、GIoU：Generalized Intersection over Union：A Metric and A Loss for Bounding Box Regression
呆呆的猫的博客
06-05 3401
文章目录摘要引言 摘要 Intersection over Union（IoU）是目标检测领域应用最多的度量方式。 优化b-box的参数的回归过程所使用的损失函数和最大化度量值之间存在一定的鸿沟 二维轴心对齐的b-box情况，IoU可以直接作为回归损失 但是，IoU无法优化不重叠的b-box情况 本文通过引入一个更一般化的度量方式来作为新的loss和新的度量 本文通过将提出的 generalize........................
2020论文阅读笔记集合
记忆碎片的博客
02-20 4315
文章目录trickcnnobject detection trick cnn object detection
04训练——基于YOLO V8的自定义数据集训练——训练结果说明
raozhongbo的博客
10-08 2834
PR_curve 是 P-R 曲线的简称，它是精确率和召回率之间的关系曲线，精确率表示预测为正类的样本中有多少是真正的正类，召回率表示真正的正类中有多少被预测为正类。当你看到如下图所示的结果，就证明训练已经结束，并且可以在左侧文件夹中找到生成的weights文件夹，其中的best.pt就是生成的效果最好的模型文件，last.pt是生成的训练到当前状态最新的模型文件。例如，all类别的mAP50-95是0.316，表示整个模型在测试集上按照IOU从0.5到0.95的不同标准，目标检测的平均精度是31.6%。
YOLOV8学习笔记2
yang的博客
05-29 3558
YOLOV8训练结果分析
focal loss
qishi的博客
07-04 2918
原文 https://blog.csdn.net/u014380165/article/details/77019084 focal 解决的是两个问题： 样本不均衡 专注于难以分类的样本 传统的交叉熵损失：CE=−logptCE=−log⁡ptCE=-\log p_t 其中ptptp_t为模型对正确的类别所预测的概率。 FL=−αt(1−pt)γlogptFL=−αt(1−pt)γlo...
机器学习 | 分类评估指标
侠的博客
08-08 1696
文章目录1. 分类评估指标1.1 混淆矩阵 Confusion Matrix1.1.1 scikit-learn 混淆矩阵函数接口1.2 真阳性TP、假阳性FP、真阴性TN、假阴性FN1.2.1 衍生评估指标1.3 准确率 Accuracy1.3.1 准确率不适用的情形：信用卡欺诈检测模型（不平衡数据）1.4 精确率 Precision1.4.1 精确率适用情形：垃圾邮件分类（高精度模型）1.5 ...
评估指标小结
kyle1314608的博客
06-18 2823
使用说明 参数 sklearn.metrics.classification_report(y_true, y_pred, labels=None, target_names=None, sample_weight=None, digits=2, output_dict=False) y_true：1 维数组，真实数据的分类标签 y_pred：1 维数组，模型预测的分...
分类（Classification）算法评估指标
weixin_42846157的博客
06-13 1077
混淆矩阵（Confusion Matrix）：真实值，预测值，预测值和真实值之间的关系。 True positive (TP) ：图中的11，真实值为Positive，预测正确（预测值为Positive） True negative (TN)：图中的00，真实值为Negative，预测正确（预测值为Negative） False positive (FP)：图中的01，真实值为Negative，预测错误（预测值为Positive） False negative (FN)：图中的10，真实值为Positiv
generalized focal loss
03-16
泛化焦点损失 (Generalized Focal Loss) 是对 Focal Loss 的扩展，它可以更好地处理类别不平衡问题。 Focal Loss 主要用于处理多分类问题中的类别不平衡问题，而泛化焦点损失则可以用于二分类问题。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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