1 使用泰坦,batch会增大,BN加入会提升性能。
2 Focal loss,BCE 也有一样的功能
是在交叉熵损失函数的基础上进行的修改,回顾二分类交叉上的损失:
给不同的类别分配不同的权重,首先在原有的基础上加了一个因子,其中gamma>0使得减少易分类样本的损失,使得更关注于困难的,错分的样本。
例如gamma为2,对于正样本而言,预测结果为0.95肯定不是简单的样本,所以(1-0.95)的gamma次方会很小,这时损失函数数值就变得更小,而预测概率为0.3的样本其损失相对很大,对于负样本而言,预测0.1 的结果应当远比预测0.7 的样本损失值要小的多,对于预测概率为0.5时,损失只减少了0.25倍,所以更加关注这种难以区分的样本,这样减少了简单样本的影响,大量预测概率很小的样本叠加起来后的效应才可能比较有效。此外加入平衡因子alpha,用来平衡正负样本本身的比例不均,文中alpha 取0.25,即正样本要比负样本占比小,这是因为负例易分。
只添加alpha 虽然可以平衡正负正负样本的重要性,但是无法解决简单与困难样本的问题。
gamma 调节简单样本权重降低的速率,当gamma为0 时即为交叉熵损失函数,当gamma增大时,调整因子的影响也在增加,实验发现gamma为2是最优的。
3 one-stage和two-stage 的表现差异主要原因是大量前景背景不平衡导致的,作者设计了一个简单密集型网络RetinaNet来保证速度的同时达到了精度最优。在双阶段算法中,在候选框阶段,通过得分和nms筛选过滤掉了大量的负样本,然后在分类回归阶段又固定了正负样本比例,或者通过OHEM 在线困难挖掘使得前景和背景相对平衡,而one-stage阶段需要产生约100k的候选位置,虽然有类似的采样,但是训练仍然被大量负样本所主导。
4 多标签多类别的分类
激活函数是用softmax还是sigmoid?loss 是用BCE还是categorical-cross-entropy还是Focal loss。度量标准使用F2-score accuracy还是topk 的categorical_accuracy
多标签中softmax 是不太合适的,softmax 只得到一个answer,如果使用sigmoid 以及二元交叉熵损失,将能预测到多个类别。
BCE,Focal,以及categorical CE:
多标签的,BCE要好于交叉熵损失函数
不同的class 使用不同的阈值。F2作为度量标准。
5 1st
数据处理裁剪:例如600*600,300*500,300*900,300*600.