cv相关知识点

交叉熵函数

交叉熵函数定义:

两个分段函数画出来如下:


focal loss:目的是通过减少易分类样本的权重，从而使得模型在训练时更专注于难分类的样本

SE模块

先将通道压缩，然后膨胀。参考链接。

• Squeeze: 沿着空间维度进行特征压缩，将每个二维的特征通道变成一个数，是具有全局的感受野。
• Excitation: 每个特征通道生成一个权重，用来代表该特征通道的重要程度。
• Reweight：将Excitation输出的权重看做每个特征通道的重要性，通过相乘的方式作用于每一个通道上

import numpy as np
import torch
import torch.nn as nn
import torch.functional as F
import ipdb

class SE_Block(nn.Module):
    def __init__(self, ch_in, reduction=16):
        super(SE_Block, self).__init__()
        self.avg_pool = nn.AdaptiveAvgPool2d(1)  # 全局自适应池化
        self.fc = nn.Sequential(
            nn.Linear(ch_in, ch_in // reduction, bias=False),
            nn.ReLU(inplace=True),
            nn.Linear(ch_in // reduction, ch_in, bias=False),
            nn.Sigmoid()
        )

    def forward(self, x):
        b, c, _, _ = x.size()
        y = self.avg_pool(x).view(b, c) # squeeze操作
        y = self.fc(y).view(b, c, 1, 1) # FC获取通道注意力权重，是具有全局信息的
        return x * y.expand_as(x) # 注意力作用每一个通道上

def test_net():
    ch_in = 32
    xx = torch.randn((1, ch_in, 7, 7)).float()
    se = SE_Block(ch_in)
    yy = se(xx)
    print(yy.shape)

if __name__ == '__main__':
    test_net()

人脸识别指标

• TPR
  True Positive Rate. 预测为正的正样本数/实际正样本数
• FAR
  False Accept Rate. 预测为正的负样本数/实际负样本数