YOLOv9改进策略：loss优化 | LRM loss困难样本挖掘，提升难样本、遮挡物、低对比度等检测精度

已于 2024-03-30 23:03:12 修改
阅读量1.6k 收藏 17
点赞数 10
CC 4.0 BY-SA版权
分类专栏： YOLOv9魔术师 文章标签： YOLO 目标检测 人工智能 深度学习 网络
于 2024-03-29 21:46:43 首次发布
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_63774211/article/details/137131718

   💡💡💡本文改进内容：LRM loss困难样本挖掘引入到YOLOv9，性能优于Focal Loss

 💡💡💡 LRM loss应用到能够大幅提升小目标、红外小目标、大幅度提升遮挡物性能，性能如下图所示：

《YOLOv9魔术师专栏》将从以下各个方向进行创新：

【原创自研模块】【多组合点优化】【注意力机制】【卷积魔改】【block&多尺度融合结合】

了解本专栏 订阅专栏 解锁全文
Yolov8-pose关键点检测：loss优化 | LRM loss困难样本挖掘，提升难样本、遮挡物等检测精度
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
04-13 1434
LRM loss应用到能够大幅提升pose遮挡物性能
涨点技巧：基于Yolov5/Yolov7的困难样本挖掘---LRM loss，提升难样本检测精度
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
04-24 2145
针对难样本检测性能低下的问题点，引入困难样本挖掘---LRM loss，提升yolov5/yolov7检测精度
【总结】数据挖掘中常见的损失函数
：）
03-05 717
常见的损失函数
YOLOv9改进策略：block优化 | SEAM提升小目标遮挡物性能
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
03-26 1847
SEAM提升小目标遮挡物性能，在多个数据集得到很好的验证
困难样本挖掘：Hard Sample Mining（原理及实现）
Java开发，人工智能，边缘计算，致力于掌握前沿技术
04-01 1万+
困难例挖掘方法通常可以提高目标检测器的性能，因为它受到不平衡训练集的影响。在这项工作中，两种现有的困难例子挖掘方法（LRM和焦点损失，FL）被调整并结合到最先进的实时目标检测器YOLOv5中。广泛地评估了所提出的方法对于提高困难例性能的有效性。在2021年Anti-UAV挑战数据集上，与使用原始损失函数相比，所提出的方法使mAP提高了3%，与单独使用困难挖掘方法（LRM或FL）相比，提高了约1%。
《YOLOv5/YOLOv7魔术师》专栏介绍 & CSDN独家改进创新实战&专栏目录
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
07-04 2882
YOLOv5/YOLOv7魔术师，独家首发创新（原创），持续更新，适用于Yolov5、Yolov7、Yolov8等各个Yolo系列，专栏文章提供每一步步骤和源码，轻松带你上手魔改网络
YOLOv9改进策略【损失函数篇】| Slide Loss，解决简单样本和困难样本之间的不平衡问题
最新发布
Limiiiing的博客
08-24 2331
本文记录的是改进YOLOv9的损失函数，将其替换成Slide Loss，并详细说明了优化原因，注意事项等。Slide Loss函数可以有效地解决样本不平衡问题，为困难样本赋予更高的权重，使模型在训练过程中更加关注困难样本。若是在自己的数据集中发现容易样本的数量非常大，而困难样本相对稀疏，可尝试使用Slide Loss来提高模型在处理复杂样本时的性能。
YOLOv9改进策略：loss优化 | Wasserstein Distance Loss，助力小目标涨点
①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；
03-26 1951
Wasserstein Distance Loss | 亲测在多个数据集能够实现涨点，对小目标、遮挡物性能提升明显
机器学习--神经网络训练：Loss函数对于优化的影响
projectfailed的博客
10-28 278
将各个class定义为一个个向量，当然我们的feature值也是输入一个向量，通过regression得到一个y，也是一个向量来表示预测值。但是这个数据是不是这个类别，只有0和1两种取值，所以我们用一个softmax函数将得到的预测值y转换为0和1之间的某个值，具体举一个可能的例子，用预测值去除以所有预测值的总和来吧每个预测值变到0和1之间的某个数。
芒果YOLOv9改进20：损失函数IoU篇之NWDLoss：即插即用｜YOLOv9小目标检测高效涨点，改进用于小目标检测的归一化高斯 Wasserstein Distance Loss，提升小目标
包括YOLOv5、YOLOv7、YOLOv8等模型改进
05-19 327
YOLOv9改进：损失函数IoU篇之NWDLoss：即插即用｜YOLOv9小目标检测高效涨点，改进用于小目标检测的归一化高斯 Wasserstein Distance Loss，提升小目标
深度学习loss函数优化
11-06
为了方便使用，近期和朋友整理了对各种loss函数的对比，包括适用场景等等，对深度学习有很大的帮助，希望与大家共同学习
深度学习笔记(参数优化，loss)
weixin_48136514的博客
07-20 1097
Step 1: 定义包含未知参数的模型函数。Step 2: 从训练数据中定义损失函数来衡量模型性能。Step 3: 通过优化算法调整模型参数以最小化损失函数。这三个步骤是机器学习模型训练的基础，通过反复迭代执行这些步骤，模型能够从数据中学习并改善其预测能力。
YOLOv9理性解读 | 网络结构&损失函数&耗时评估
kabuto_hui的博客
02-29 7887
由台北中研院和台北科技大学等机构的研究团队推出的新的目标检测算法，一作Wang Chien-Yao也是Yolov4、Yolov7的作者之一，之前在Alexey Bochkvoskiy(Yolov4的第一作者)的团队中。
YOLOv9改进策略 | 损失函数篇 | Focaleriou、InnerFocaleriou、InnerFocalerioCIoU (包含二次创新、三次创新)
Snu77的博客
03-30 2712
Hello，大家好我是Snu77，这里给大家带来的是YOLOv9系列的损失函数改进篇，本文给大家带来的改进机制是Focaleriou以及包含其它二次创新的代码三次创新等一些列利用Inner和 Focaleriou形成的二次创新和三次创新的损失函数。专栏地址YOLOv9有效涨点专栏-持续复现各种顶会内容-有效涨点-全网改进最全的专栏目录一、本文介绍二、Focaler-IoU原理2.1 Focaler-IoU的基本原理三、核心代码四、添加教程4.1 步骤一4.2 步骤二4.3 步骤三五、全文总结。
多任务的loss优化
ytusdc的博客
01-01 6494
多任务学习经常会出现跷跷板现象，即两个任务联合学习的时候，可能一个任务效果变好，另一个任务效果变差。各任务loss量级接近，最好一致；(值域量级接近)，loss量级可以使各任务loss除以对应的初始loss(交叉熵损失/L2)针对上述多任务学习优化过程中的问题，业内有一系列的工作进行解决。今天给大家介绍4篇通过梯度优化提升多任务学习效果的方法。各任务以相近的速度进行学习。(学习速度接近)， 速度即相邻迭代次数对应的loss的比值，值越小则速度越高。2.2、通过梯度优化提升多任务学习效果的方法。
AI上推荐 之 多任务loss优化(自适应权重篇)
Miracle8070
04-28 1万+
1. 写在前面 在多任务学习中，往往会将多个相关的任务放在一起来学习。例如在推荐系统中，排序模型同时预估候选的点击率和浏览时间。相对于单任务学习，多任务学习有以下优势： 多个任务共享一个模型，占用内存量减少； 多个任务一次前向计算得出结果，推理速度增加； 关联任务通过共享信息，相互补充，可以提升彼此的表现。 前面的一篇文章，主要是从模型结构的角度聊了下多任务学习，介绍了工业界非常经典也常用的MMOE模型，然而，对于多任务学习， Loss的优化也非常重要， 因为我们知道通过多个目标去指导网络进行统一的训练
深度学习深入理解一：loss和优化器集锦
weixin_42155821的博客
02-24 1194
NLLLoss与CE Adam优化算法 原址(https://www.cnblogs.com/yifdu25/p/8183587.html) 是一阶优化算法，全称适应性矩估计（adaptive moment estimation）。在非凸优化问题中有如下优势： 计算高效 内存需要的少 梯度对角缩放不变 适用于大规模数据...
各种Loss Function的比较
热门推荐
mjj_1094的博客
11-21 2万+
本小节介绍一些常见的loss函数 1. l1_loss&l2_loss 衡量预测值与真实值的偏差程度的最常见的loss： 误差的L1范数和L2范数 因为L1范数在误差接近0的时候不平滑，所以比较少用到这个范数 L2范数的缺点是当存在离群点（outliers)的时候，这些点会占loss的主要组成部分。比如说真实值为1，预测10次，有一次预测值为1000，其余次的预测值为1左右，显然los
focalloss是如何优化的
qq_41626518的博客
04-01 787
loss的优化原理 我们都知道反向传播是计算梯度调整权重参数，使得loss不断变小的一个过程 梯度的计算是通过loss计算得来。 一个batch里的样本，计算每个样本的梯度求和平均，作为最后模型的调整梯度。 问题就在这里，平均，那就是把每个样本需要的梯度直接取均值，如果样本中某个分类的样本点很多，那么模型的调整方向将大幅度靠近更易区分这类样本的模型优化方向。穷的更穷，富得更富，几个batch下来，好分类的基本没问题了，难分类的也就更难区分了。 所以，loss优化根本目的就是要改变模型的优化方向，不能一直向易
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

AI小怪兽

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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