Anchor Loss论文学习

最新推荐文章于 2022-06-13 22:07:05 发布
最新推荐文章于 2022-06-13 22:07:05 发布
阅读量1.2k 收藏 3
点赞数
分类专栏： 分类网络 文章标签： Anchor loss Focal loss
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/stesha_chen/article/details/103930922
版权
论文《Anchor Loss》提出了根据预测难度动态调整交叉熵损失比例的方法，主要用于分类和人体姿态估计任务。该损失函数在预测难度较大的样本上施加更多惩罚，从而改善网络对困难案例的区分能力。实验结果显示，Anchor Loss在图像分类和人体姿态估计上表现出良好的效果。
摘要由CSDN通过智能技术生成

论文名称：Anchor Loss: Modulating Loss Scale based on Prediction Difficulty

发布时间：2019.09.24

作者：加州理工

论文地址：https://arxiv.org/abs/1909.11155v1

摘要：

作者提出了一种根据预测难度自动调整cross entropy比例的loss。

在预测结果中，我们只会选择最高置信分作为输出，而不会考量这个目标本身的预测难度。本文的思想是根据正样本与负样本的预测分值的gap，做为预测难度属性，结合难度属性的信息动态的调整loss的比例。

作者主要在分类网络和人体姿态估计网络中试验了这种方法，都取得了不错的效果。

简介

q_*是anchor probability，anchor loss会参考q_*来评价背景类别(不是目标的类别都是背景类别)的难易程度。如果背景类别的分值大于q_*，则认为这个背景类别为难学，如果背景类别的分值小于q_*，则认为这个背景类别容易学。

这里q_*一般会使用正确类别的预测分值。

因为左右身体的对称性，网络常常很难区分左右，或者说网络对于相似的物体比较难区分。虽然在正确类别上的分值可能也不低，但是最终会取最高的分值，可能导致预测错误。AL就是要对类别预测错误，并且有比较高的分值时，给更多的惩罚。左图如果背景倍识别为某个类别，AL与CE的比较曲线。可以看出当预测分值大于0.5后loss会很快的增加，这样对于预测错误的高分值有很快的抑制作用。

a.C1是正确的类别，C1预测的分值为0.1，如果其他类别预测的分值高于0.1，可以看到anchor loss方法会有更快上升的惩罚。
b.C1是正确的类别，C1预测的分值为0.5，如果其他类别的预测分值小于0.5，anchor loss
最低0.47元/天 解锁文章
stesha_chen
关注
专栏目录
Anchor Loss | ICCV2019，优化分类性能
yuanCruise
11-24 1166
本文提出了一种基于样本预测困难度动态调整交叉熵的损失函数，它根据预测的相对困难程度来自动调节损失的大小。 在本文中，我们将介绍anchor loss，并解释图像分类中anchor loss。首先，我们定义了预测的困难，并给出了相关的例子。然后给出了锚失量函数的广义形式。并通过数值的形式介绍了anchor loss。最后，通过与其他损失函数在公式上的比较，加深anchor loss 提出的改变。 论...
Anchor Loss: Modulating Loss Scale based on Prediction Difficulty
Matthew技术小站
06-04 445
一篇比较有意思的文章，用来增强模型对易混淆样本的学习，有别于传统的CE和Focal Loss。 文章链接：arxiv code: github why need this 理由很简单，我们在做类似分类任务的时候，模型最终往往都会输出一个概率，我们会在输出的所有类别的概率中挑选其中最大的一个作为模型的输出。大部分情况下这种做法是没有问题的，但对于一些易混淆的任务来说，例如图片分类中一些看着相似但类别不一致的图片，人体姿态估计中两个相对的左右关节，这些都会对模型的输出造成一定的困扰。如文章中图1所示： 对于人体
AnchorLoss:实施“锚固损失
03-09
PyTorch中的锚损失 PyTorch实施，Serim Ryou，郑成均，Pietro Perona，ICCV 2019 锚固损失 此代码在图像分类上提供锚点丢失。 要使用锚定损失训练模型，请包含anchor_loss.py并调用AnchorLoss()函数。 from anchor_loss import AnchorLoss gamma = 0.5 slack = 0.05 anchor = 'neg' warm_up = False criterion = AnchorLoss ( gamma , slack , anchor , warm_up ) 默认参数设置如上所示。 有关参数的详细信息在anchor_loss.py中进行了anchor_loss.py 。 如果您使用此代码，请引用： @InProceedings{Ryou_2019_ICCV, author =
人脸识别系列-Centerloss论文阅读笔记
Iriving_shu的博客
09-03 1686
好记心不如烂笔头，以此记录自己的学习历程。 这篇论文 Centerloss来自Eccv2016。本文主要讲解其核心原理以及源码和实验。 论文地址：https://ydwen.github.io/papers/WenECCV16.pdf 代码地址：https://github.com/ydwen/caffe-face简介在人脸识别中，就是要学习到一种判别性好的特征。作者通过增加centerlos
论文笔记：Git Loss
hongbin_xu的博客
11-15 864
原文：Git Loss for Deep Face Recognition Git Loss 1、四个问题 要解决什么问题？ 诸如人脸识别、指纹识别等的识别任务，测试集不确定或类别较多而样本较少的情况。 one-shot-learning。 最小化类内差异，最大化类间差异。 用了什么方法解决？ 提出了一个新的loss函数——git loss。 git loss是基于center loss...
Focal Loss 论文笔记
黑暗星球
12-05 4545
Focal Loss for Dense Object Detection 摘要： 到目前为止（2017年8月），目标检测的最高准确率都由R-CNN的衍生算法（two-stage）引领。在该类算法中，会在稀疏的目标候选位置（可能存在目标的位置）上使用一个分类器。相比之下，one-stage目标检测算法直接对原始图像进行密集的检测，这种算法可能更快，更简单，但准确率却一直没有超过two-stage目...
Class Anchor Clustering: A Loss for Distance-based Open Set Recognition WACV2021开放集识别论文解读
pingguolou的博客
11-01 720
[2] Miller D , Sunderhauf N , Milford M , et al. Class Anchor Clustering: A Loss for Distance-based Open Set Recognition[C]// 2021 IEEE Winter Conference on Applications of Computer Vision (WACV). IEEE, 2021. 本文引入了类锚聚类（CAC）损失来替代CE loss，在基于距离的开放集识别中达到了最...
anchor-based的边界框回归损失函数
qq_41831753的博客
03-06 3799
边界框回归(regression)损失函数汇总，L1、L2、Smooth L1、IoU、GIoU、DIoU、CIoU、EIoU。
云从科技的Pixel-Anchor论文解读
期待黎明的博客
10-28 453
云从科技的Pixel-Anchor论文解读 导读参考 目前基于深度学习的文本检测框架可以分为两类，一类是基于像素级别的图像语义分割，另一类是来源于通用的物体检测框架，譬如基于锚 (anchor) 的检测和回归。 基于像素分割的文本检测框架首先通过图像语义分割获得可能的文本像素，之后通过像素点直接回归或者对文本像素的聚合得到最终的文本定位；而基于锚检测回归的文本检测框架是在通用物体检测的基础之上，通...
Proxy-NCA Loss、Proxy Anchor Loss
weixin_44742887的博客
06-13 2442
目录17-ICCV-No Fuss Distance Metric Learning using ProxiesProxy Ranking Loss20-CVPR-Proxy Anchor Loss for Deep Metric Learning Proxy Anchor Loss|P|
Proxy-Anchor-CVPR2020:PyTorch正式实施深度度量学习的代理锚丢失，CVPR 2020
05-23
深度度量学习的代理锚丢失 PyTorch的CVPR 2020论文官方PyTorch实施。 经过代理-锚丢失训练的标准嵌入网络可实现SOTA性能，并能最Swift地收敛。 该存储库提供了四个数据集（CUB-200-2011，Cars-196，斯坦福在线产品和店内）和预训练模型的实验源代码。 Recall @ 1的准确性与在Cars-196上的训练时间 要求 Python3 PyTorch（> 1.0） NumPy tqdm 万德 数据集 下载用于深度度量学习的四个公共基准 汽车196（，） 斯坦福在线产品（） 店内衣服取回（） 将tgz或zip文件./data/压缩到./data/ （对于Cars-196，例外是将文件放在./data/cars196 ） [通知！]我发现以前为CUB数据集上载的链接不正确，因此我更正了该链接。 （CUB-200-> CUB-200-20
learning loss for active learning 论文学习笔记
weixin_44748238的博客
12-05 695
learning loss for active learning 论文学习笔记 这是CVPR 2019上的一篇文章，作者是韩国人。 ​ 本文是设计了一个不针对具体任务的主动学习方法，在主model上附加了一个副model，主model可以是分类任务的model，也可以是检测任务的model；而副model是为了预测data的loss，从而将所有的data的loss排序选出topK个加...
目标检测中 Anchor 与 Loss 计算的梳理
weixin_41012399的博客
08-30 1886
参考：https://murphypei.github.io/blog/2020/10/anchor-loss anchor 是一类目标检测方法种的一个核心概念，其本质是一个预设的框，但是这个框也为 loss 计算带来一些麻烦。 对于一般的目标检测 loss 计算，通常分为几部分。比如 yolo 系列分为 objectness（是否包含目标）、classification（目标分类）、boundingbox-regression（目标位置）。其中，每个样本都需要计算 objectness 得分的损失，正样本
无法识别依赖属性_利用行人属性辅助视频行人重识别
weixin_39970994的博客
11-25 243
分享一个关于video-based person re-ID的失败的工作：Attribute-aware Identity-hard Triplet Loss for Video-based Person Re-identification。 利用视频行人属性识别辅助提升视频行人重识别性能的工作，通过充分地在视频行人重识别的过程中应用行人属性的信息，通过：1. 利用行人视...
yolov3的anchor机制与损失函数详解
z5217632的博客
11-14 2万+
一、yolov3的anchor机制 网络实际的预测值为tx、ty、tw、th,根据上图中的四个公式计算得到预测框的中心点坐标和宽高bx、 by、 bw、 bh。其中，cx、 cy为当前grid相对于左上角grid偏移的grid数量。 σ()函数为logistic函数，将坐标归一化到0-1之间。最终得到的bx,by为归一化后的相对于grid cell的值。pw、 ph为与groundtruth重...
Triplet Loss及其梯度
jcjx0315的博客
08-14 1万+
Triplet Loss及其梯度  Triplet Loss简介 我这里将Triplet Loss翻译为三元组损失，其中的三元也就是如下图的Anchor、Negative、Positive，如下图所示通过Triplet Loss的学习后使得Positive元和Anchor元之间的距离最小，而和Negative之间距离最大。其中Anchor为训练数据集中随机选取的一个样本，Positive
【目标检测算法】Faster RCNN学习笔记
littlemichelle
07-21 1万+
每次请回顾： Faster RCNN 学习笔记 faster rcnn源码解析 Faster RCNN：RPN，anchor，sliding windows https://zhuanlan.zhihu.com/p/32404424 1、这里以faster rcnn举例。在faster rcnn里面，anchor（或者说RPN网络）的作用是代替以往rcnn使用的selective s...
视觉分类任务中处理不平衡问题的loss比较
热门推荐
Daniel2333的博客
10-24 2万+
问题介绍 在计算机视觉（CV）任务里常常会碰到类别不平衡的问题， 例如： 1. 图片分类任务，有的类别图片多，有的类别图片少 2. 检测任务。现在的检测方法如SSD和RCNN系列，都使用anchor机制。 训练时正负anchor的比例很悬殊. 3. 分割任务， 背景像素数量通常远大于前景像素。 从实质上来讲， 它们可以归类成分类问题中的类别不平衡问题：对图片/anchor/像素的分类
深度学习自学（二十六）：ICCV2019
TheDayIn_CSDN的博客
11-07 2万+
简单整理下人脸方向ICCV2019相关的论文。 Oral 论文 11.Photo-Realistic Facial Details Synthesis from Single Image 作者：Anpei Chen, Zhang Chen, Guli Zhang, Ziheng Zhang, Kenny Mitchell, Jingyi Yu 论文链接：https://arxiv.org/a...
评论 1
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