Generalized Focal Loss

最新推荐文章于 2024-07-13 02:48:36 发布
最新推荐文章于 2024-07-13 02:48:36 发布
阅读量848 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
本文探讨了Generalized Focal Loss在解决目标检测任务中的classification与localization不连续性和边界表示灵活性问题。通过QFL和DFL损失函数，实现了更连续的训练与测试过程，并对任意分布进行灵活预测，提高了检测性能。
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：

  • classif

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
【论文阅读】Generalized Focal Loss
一碗白开水一
02-24 332
Generalized Focal Loss
NeurIPS 2020 | Focal Loss改进版来了！GFocal Loss：良心技术，无Cost涨点！
weixin_36896856的博客
10-03 1550
点击上方“AI遇见机器学习”，选择“星标”公众号重磅干货，第一时间送达 论文已上传，文末附下载方式本文作者：李翔https://zhuanlan.zhihu.com/p/14769178...
【YOLOv8 代码解读】所有任务Loss损失代码梳理
最新发布
m0_51579041的博客
07-13 1384
【YOLOv8 代码解读】所有任务Loss损失代码梳理
目标检测无痛涨点：大白话 Generalized Focal Loss
我爱计算机视觉
07-10 4594
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(GFLv1)论文理解与代码分析
litt1e的博客
10-11 2624
GFLv1是较早提出在训练和推理过程中，质量评估和分类不一致问题的论文。质量与分类往往被独立训练，（yolo输出中，有独立的一个维度用于目标的置信度评估，在训练时与分类解耦；fcos，atss则利用centerness作为质量评估，同样也与分类解耦），但在test过程中却被相乘联合使用。监督只分配给正样本，但有时候负样本可能会提供更高质量的监督，必然会存在一部分分数较低的“负样本”的质量预测是没有在训练过程中有监督信号的，有就是说对于大量可能的负样本，他们的质量预测是一个未定义行为。
【论文阅读】Generalized Focal Loss的解读。交叉熵、Focal Loss、Quality Focal Loss、Distribution Focal Loss
magic_ll的博客
07-17 3035
最后，我们将QFL和DFL的公式总结为一个统一的视角，称为 Generalized Focal Loss(GFL)，作为FL的一个灵活的扩展，以促进未来进一步的推广和普遍的理解。专注于一组稀疏的困难样本的同时，对相应的类别进行连续的0∼1质量估计。举例子：5分类的任务，第1类别的分类标签onehot应为 [0,1,0,0,0]，当前训练时检测框和对应标签框的iou为0.65，则此时分类的标签不再使用 [0,1,0,0,0]，而是使用分类-iou联合表示：[0,0.65,0,0,0]。
NeurIPS2020 Generalized Focal Loss论文翻译
Q1u1NG的博客
09-20 1647
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
[GFL]Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Dete
Focus
07-14 882
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 V1》论文笔记
m_buddy的博客
12-12 3000
参考代码：GFocal 这篇文章会探讨将目标检测中边界框的回归问题转换为概率分布的问题，因而需要从传统的边界框范数与IoU回归思想转换到边界框的概率分布上来。对此，对这方面内容不是很理解的朋友可以参考下面这篇文章的内容，从而对加深这篇文章提出GFocal优化方法的理解： REF：一文了解目标检测边界框概率分布 同时，这篇文章的作者也有对这篇文章进行了说明，详见：大白话 Generalized Focal Loss 1. 概述 导读：让目标检测网络实现对检测质量的感知，是之前一些检测算法努力追求的目标。总结
芒果YOLOv5改进26：损失函数篇之GFL：首发最新｜NeurIPS顶会论文，模型无损涨点，改进广义焦点损失Generalized Focal Loss，将焦点损失从其离散形式推广到连续形式
包括YOLOv5、YOLOv7、YOLOv8等模型改进
01-16 2751
代码实践 YOLOv5+NeurIPS顶会论文｜改进 Generalized Focal Loss 广义焦点损失，优化让模型无损涨点
GFocalV2:广义焦损V2
04-12
广义焦点损失V2：密集目标检测的学习可靠定位质量估计 GFocalV2（GFLV2）是下一代GFocalV1（GFLV1），它利用学习的边界框分布的统计数据来指导可靠的定位质量估计。 同样，GFLV2比GFLV1改善了约1个AP，而没有（几乎）额外的计算成本！ ZhiHu：GFOCalV2在。 您可以在查看有关GFocalV1的更多评论。 更多新闻： [2021.3] GFocalV2已被CVPR2021接受（审查前分数：113）。 [2020.11] GFocalV1已采取 ，超高效的对象检测器在移动设备上，实现相同的性能，但2倍比YoLoV4纤巧更快！ 有关更多详细信息，请参见 。 [2020.10]好消息！ GFocalV1已在NeurIPs 2020中接受，并且GFocalV2即将推出。 [2020.9] DeepBlueAI团队在ECCV 2020研讨会中GigaVi
Generalized Focal Loss论文解读
AI公园
12-12 2493
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”导读这篇文章一出来就得到了广泛的关注，思路很清楚，解决了2个问题，效果也很好，关键是无差别涨点，值的一看。摘要：一阶段物体检测对...
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
07-28 708
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】22、Generalized Focal Loss V1
呆呆的猫的博客
07-26 2919
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 4818
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。
Generalized Focal Loss 原理与代码解析
00000cj的博客
10-26 2351
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。
【论文阅读】【二维目标检测】Generalized Focal Loss
麒麒哈尔的博客
05-31 394
文章目录Motivation物体分类框回归Method物体分类框回归generalized focal loss实验效果总结 文章：Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection 地址：https://arxiv.org/pdf/2006.04388.pdf Motivation 物体分类 在object detection任务中，是存在分类和回归的两个结
解释Distribution Focal Loss
05-18
Distribution Focal Loss是一种用于目标检测的损失函数，它是对Focal Loss的改进。在目标检测中，由于正负样本的不平衡性，传统的交叉熵损失函数往往无法取得良好的效果。Focal Loss是一种解决这个问题的方法，通过降低容易分类的样本的权重，来缓解正负样本不平衡的问题。 Distribution Focal Loss在Focal Loss的基础上进行了改进，它引入了分布信息，通过学习样本分布，来进一步提高模型的性能。具体来说，Distribution Focal Loss先将样本分为若干组，然后对每组样本设置不同的权重，使得模型更加关注那些比较少见的类别。这样可以有效地减少误分类和漏检的情况，提高目标检测的准确率。 总之，Distribution Focal Loss是一种用于目标检测的损失函数，通过引入分布信息来解决正负样本不平衡的问题，从而提高模型的性能。
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