自适应权重的交叉熵计算

最新推荐文章于 2025-04-07 22:20:05 发布

放牛娃子

最新推荐文章于 2025-04-07 22:20:05 发布

阅读量3.9k

点赞数 1

分类专栏：车道线检测算法文章标签：自适应权重交叉熵 ENet pytorch

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/qq_22751305/article/details/104053374

版权

车道线检测算法专栏收录该内容

9 篇文章

订阅专栏

在类别不平衡的数据集上，采用自适应权重方法可以有效提升模型性能。此方法基于样本比例动态调整类别权重，实验证明，相较于固定权重，F1分数从95%提升至96%以上。使用PyTorch接口实现，通过调整损失函数中的权重参数，适用于实时语义分割等任务。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在训练集中类别不平衡的情况下，可对不同类别赋予不同的权重。有采用固定权重，也有实时计算权重。

在这里，介绍一种自适应权重的计算方法，参考论文《ENet: A Deep Neural Network Architecture for Real-time Semantic Segmentation》。

对类别的权重定义如下：

$w_{class} = \frac{1}{ln(c + p_{class})}$

其中，c是一个超参数，设为1.02， $p_{class}$ 是该类样本所占的比例。最后，将 $w_{class}$ 限制在[1.0,50]的范围内。

本人实验中，在类别不平衡的情况下（达到了30:1），在一个batch内，采用上述公式计算类别权重，与固定权重相比，最终的F1从百分之九十五点几上升到百分之九十六点几。

用pytorch接口

loss = F.cross_entropy(logits,gt,weight=weight)

其中，weight为上述公式计算出来的权重。

（PS：以此记录，便于查阅）

评论 3

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

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。