Focal Loss for Dense Object Detection

最新推荐文章于 2024-07-13 21:18:24 发布
最新推荐文章于 2024-07-13 21:18:24 发布
阅读量657 收藏
点赞数
分类专栏： 论文 文章标签： 目标检测 深度学习 人工智能
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/m0_63664949/article/details/124643516
版权

该论文主要想解决在目标检测one-stage中正负样本数量差异过大，本文中将更多的注意力放在难分类的错误分类上，重点训练困难的负样本，这篇文章是首次one-stage目标检测算法的性能超过two-stage的目标检测算法。

该论文中提出了一种新的损失focal loss 损失FL(p_{t})=-(1-p_{t})^{\gamma }log(p_{t}),该损失能够使得正样本的损失变小，负样本也变小，但相比于正样本缩放比例微不足道。感觉类似于softmax操作。

网络架构采用Resnet+FPN的结构，最后输出的维度中K为classes的个数，不包括背景，A为预测框的个数，与FasterRNN不同，这里最多取1k个Box预测，采用0.5nms进行非极大值抑制，iou大于0.5归为正样本，0.4-0.5舍弃，小于0.4归为负样本。在将NMS应用于所有示例后，小批量被构造为强制实施阳性和阴性之间的1：3比率，以帮助确保每个小批量具有足够的阳性。

与FPN不同，他不再使用conv2处的特征，新增了一个p7，P6与FPN的P6也有不同，这里的P6采用卷积下采样代替FPN中的最大池化下采样 ，P7在P6的基础上接着进行卷积下采样，获取更高细粒度的特征。

在Anchors的选区中，新增了三个anchor的大小比例，采用3个scale，每个预测层有9组Anchors

 

 

夏夏今天学习了吗
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
[论文笔记]Focal Loss for Dense Object Detection
北望花村
12-21 836
论文：Focal Loss for Dense Object Detection 论文链接：https://arxiv.org/abs/1708.02002     解决问题： 提出一种新的损失函数：focal loss。该函数通过减少容易分类的样本的权重，使得模型在训练时更专注难分类的样本，从而改善样本的类别不均衡问题，改善模型的优化方向。     难分类样本： 举例说明：假设...
论文笔记：Focal Loss for Dense Object Detection
vivian_ll的博客
11-20 588
论文链接: https://arxiv.org/pdf/1708.02002.pdf 本篇论文是何恺明及其团队17年发表在ICCV上的paper。最初用于目标检测，因为解决了分类中类别不平衡的问题，nlp中也有应用。 下面是各部分的要点，并非全文翻译。 Abstract 目前最高精度的目标检测器是基于由R-CNN推广的 two-stage 方法，其中分类器应用于稀疏的候选对象位置集。相比之下，...
目标检测--Focal Loss for Dense Object Detection
AI小作坊 的博客
08-15 2321
Focal Loss for Dense Object Detection ICCV2017 https://arxiv.org/abs/1708.02002本文算是用简单的方法解决复杂的问题了，好的思想是简单的针对目标检测，目前有两类主流算法： two-stage detectors 和 one-stage detectors， two-stage detectors 的精度好但是速度慢，on
【目标检测】18、RetinaNet：Focal Loss for Dense Object Detection
呆呆的猫的博客
08-03 383
论文：Focal Loss for Dense Object Detection代码：https://github.com/facebookresearch/Detectron出处：原始论文出自 ICCV2017贡献：在当时的情况下，两阶段检测器处于统治地位，两阶段检测器是由两部分构成，第一阶段是 RPN 网络，进行候选框的生成，第二阶段输出检测结果。作者提出了一个问题：单阶段目标检测器能否达到类似的效果？YOLO、SSD 等方法是属于单阶段目标检测的方法，虽然很快，但效果不尽如意本文作者就想寻找一个单阶段
焦点损失：Focal Loss论文笔记——Focal Loss for Dense Object Detection
qq_50001789的博客
06-25 1237
焦点损失：Focal Loss论文笔记——Focal Loss for Dense Object Detection
focal loss
01-10
读Focal Loss for Dense Object Detection这篇论文 做的一个总结讲解ppt
Pytorch 实现focal_loss 多类别和二分类示例
09-18
它由Lin等人在2017年的论文《Focal Loss for Dense Object Detection》中提出，目的是缓解大量易分类样本对训练过程的主导，从而更加关注那些难分类的样本。 在PyTorch中，我们可以自定义损失函数来实现Focal Loss...
FocalLoss:多类分类的焦点损失
05-02
Focal Loss由Lin等人在2017年的论文《Focal Loss for Dense Object Detection》中首次提出。它的主要目的是通过减少容易分类样本的权重，从而将模型的注意力集中在难以分类的样本上。这样，模型可以更有效地学习和...
focal loss for dense object detection
liguandong
12-18 380
轻松掌握 MMDetection 中常用算法(一)：RetinaNet 及配置详解 - 知乎文@ 0000070 前言在解读完 轻松掌握 MMDetection 训练和测试流程的相关系列文章后，相信大家对 MMDetection 框架训练和测试流程以及各个组件的内部抽象实现有了一定了解。本系列文章则从框架中已经实现的一些常…https://zhuanlan.zhihu.com/p/346198300mmdetection最小复刻版(二)：RetinaNet和YoloV3分析 - 知乎上一篇文章主要是分析了
Focal Loss for Dense Object Detection（整理后转载）
weixin_39835296的博客
09-08 420
@[TOC](Focal Loss for Dense Object Detection论文目标核心思想focal loss的提出交叉熵损失函数focal loss的重要性质 论文目标 Object Detection算法可以分为 two-stage detector 二阶段和 one-stage detector 一阶段两种，前者指类似Faster RCNN, RFCN这样需要 region proposal 的检测算法，这类算法可以达到很高的精确度，但是速度很慢，虽然可以通过减少proposal的数量或
卷积神经网络-猫狗识别实战
最新发布
sylviiiiiia的博客
07-13 348
CNN
【深度学习】图形模型基础(6)：模型优化理论
MUKAMO的博客
07-10 872
模型优化理论关注提升模型性能、准确性和效率。SGD（随机梯度下降）是其关键算法之一，通过随机选取样本计算梯度并更新模型参数，以提高训练速度和适用性。SGD尤其适合大规模数据集，但可能因梯度噪声导致收敛波动。改进算法如动量法和自适应学习率算法（如Adam）进一步加速收敛并提升精度。总之，模型优化理论和SGD是机器学习不可或缺的工具，助力提升模型性能，推动深度学习发展。
3-7 使用深度学习解决温度即示数问题
weixin_62115482的博客
07-09 589
和均方误差损失函数（MSELoss），初始化优化器并运行训练循环，训练 10000 个周期。更新训练循环以在每个周期中清零梯度，并在没有梯度计算的上下文中更新参数。打印顺序模型在验证集上的预测输出和真实值，查看隐藏层线性变换的权重梯度。定义损失函数，使用均方误差（MSE）来计算预测值和真实值之间的差异。定义损失函数对预测值的梯度，以及模型对参数（w和b）的梯度。定义训练循环函数，包括训练和验证集的损失计算和模型更新。计算参数w和b的梯度并进行一次梯度下降更新。定义训练循环函数，通过多个训练周期更新参数。
【深度学习基础】MAC pycharm 专业版安装与激活
Small__明的博客
07-09 551
本人是采用的第二种，大家可以参考。选择自己的版本安装即可。祝大家都可以顺利激活！
Python数据分析案例52——基于SSA-LSTM的风速预测(麻雀优化)
weixin_46277779的博客
07-13 572
基于SSA-LSTM，麻雀优化算法的LSTM神经网络的时间序列预测的通用代码。
深度学习和NLP中的注意力和记忆
gongdiwudu的专栏
07-10 1354
深度学习的最新趋势是注意力机制。在一次采访中，现任 OpenAI 研究总监的 Ilya Sutskever 提到，注意力机制是最令人兴奋的进步之一，而且它们将继续存在。这听起来很令人兴奋。但什么是注意力机制？

“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